timesmixer

TimesMixer

TimesMixer: 用于时间序列预测的可分解多尺度混合

1. BackGroud

​ 时间序列预测在很多方面都有研究与应用，比如经济学、能源、交通规划等，然而，由于现实世界或系统的复杂性和非平稳性，观测序列通常呈现错综复杂的时间模式，其中增加、减少和波动等众多变化深度混合，给预测任务带来了严峻的挑战。本文作者进一步观察到，时间序列在不同采样尺度下呈现出显著的时间变化。例如，按小时记录的交通流量显示了不同时间段的交通变化，而在按日采样的序列中，这些细粒度的变化消失了，但与假期相关的波动却显现出来。

2. Motivation

​ 鉴于季节和趋势成分在时间序列中表现出明显不同的特征，并且时间序列的不同尺度反映了不同的属性，在细粒度的微观尺度上季节性特征更加明显，而在粗粒度的宏观尺度上趋势特征更加明显，因此，有必要在不同尺度上分离季节性和趋势成分。本文提出了一种有多尺度混合架构的 TimeMixer，它能够通过 Past-Decomposable-Mixing （PDM） 模块从过去的变化中提取基本信息，然后通过 Future-Multipredictor-Mixing （FMM） 模块预测未来的序列，TimesMixer在长期和短期预测任务中实现SOTA，并在各种基准上具有卓越的效率。

3. Method

TimeMixer模型采用了一个多尺度混合架构，旨在解决时间序列预测中的复杂时间变化问题。该模型主要采用全MLP（多层感知机）架构，由过去可分解混合Past Decomposable Mixing (PDM) 和未来多预测器混合Future Multipredictor Mixing (FMM) 两大块构成，能够有效利用多尺度序列信息。

时间序列在不同的采样尺度上呈现出不同的模式，微观信息和宏观信息分别反映在细尺度和粗尺度上。

• 多尺度分解

  通过多次平均池化，能够获得多个不同尺度上的信息

  

  降采样，分解序列为M个尺度

  最低级别的序列x0是输入序列，包含最精细的时间变化，而最高级别的序列xM代表宏观变化

• 季节趋势分解

趋势性：还是对序列进行一个平均池化的操作，获得它的趋势性序列

季节性：用原始序列减去 - 趋势性序列得到

• 多尺度趋势分量混合

在季节性序列上，作者认为细粒度的季节性包含了粗粒度的季节性信息，由细粒度向粗粒度自底向上更新数据；

在趋势性序列上，作者认为粗粒度的趋势性更能减少噪声的干扰，能反映数据变化的趋势，所以由粗粒度数据知道细粒度数据更新。

• 多预测器混合

通过上述操作，能够获得不同尺度下时间序列的季节性和趋势性时间序列数据，最后将这些不同尺度下的数据展成同一维度进行拼接，去预测未来的数据

4. Experimen

长时预测：

短时预测：

消融实验：

不同尺度下的预测结果：

5. Conclusion

​ 这篇文章提出了具有多尺度混合架构的 TimeMixer，用于应对时间序列预测中的复杂时间变化。通过 Past-Decomposable-Mixing 和 Future-Multipredictor-Mixing 模块，TimeMixer 充分利用了解耦的变化特征和互补的预测能力。在所有实验中，TimeMixer 在长期和短期预测任务中均实现了一致的最先进性能。此外，得益于完全基于 MLP 的架构，TimeMixer 展现了出色的运行效率。