WindowMixer：时间序列预测中的窗口内和窗口间建模

Jun, 2024

WindowMixer：时间序列预测中的窗口内和窗口间建模

WindowMixer: Intra-Window and Inter-Window Modeling for Time Series Forecasting

Quangao Liu, Ruiqi Li, Maowei Jiang, Wei Yang, Chen Liang...

TL;DR基于全 MLP 框架，WindowMixer 模型通过窗口视角检查时间序列的时间变化，将时间序列分解为趋势和季节性组件，并使用 Intra-Window-Mixer 和 Inter-Window-Mixer 模块处理窗口间和窗口内的关系，从而捕捉数据中的复杂模式和长期依赖关系，实验证明 WindowMixer 在长期和短期预测任务中始终优于现有方法。

Abstract

time series forecasting (TSF) is crucial in fields like economic forecasting, weather prediction, traffic flow analysis, and public health surveillance. Real-world time series data often include noise, outliers, and missing values, making accurate forecasting challenging. Traditional m

time series forecasting windowmixer model temporal patterns trend and seasonal components long-range dependencies

发现论文，激发创造

TSMixer: 一种基于全 MLP 的时间序列预测架构

本文研究线性模型在时间序列预测中的能力，提出了一个基于多层感知机的模型 TSMixer，通过在时间和特征维度上的混合操作提取信息。TSMixer 在常见的学术基准测试中表现出和专业模型类似的性能，在真实世界的 M5 基准测试数据集上表现出比先进模型更好的性能。本文的结果强调了有效利用交叉变量和辅助信息以提高时间序列预测性能的重要性，并且预计 TSMixer 的设计范例会为基于深度学习的时间序列预测开启新的视野。

Mar, 2023

TSMixer：多元时间序列预测的轻量级 MLP-Mixer 模型

TSMixer 是一个轻量级的神经架构，由多层感知机模块组成，旨在为补丁时间序列提供高效的替代转换器。通过添加在线对账头，混合通道建模和简单的门控关注机制等组件，TSMixer 的学习能力得到显著提高。TSMixer 在预测方面的性能优于现有的 MLP 和 Transformer 模型，同时可显著减少存储器和运行时间。

Jun, 2023

时间建模转换器用于长期序列预测

通过将时间序列分成按天分割的小块，重新进行逐块方式处理并设计时间建模 Transformer-Dateformer，以提高 Transformers 模型的信息输入和输出并使模型能够全局分析时间序列，大幅提高了时间序列预测的准确性和半年的最大预测范围。

Jul, 2022

MTS-Mixers: 因式分解时空和通道混合进行多元时间序列预测

本文研究关注机制在时间序列预测性能上的作用，提出 MTS-Mixers 来解决捕获时间和通道互动中的交错和冗余问题，并证明了关注机制不是捕获时间依赖关系的必要条件。

Feb, 2023

FTMixer：时间序列建模的频率和时域表示融合

为了捕捉局部和全局依赖关系，我们在频域和时域中引入了频域与时域混合器 (FTMixer) 来表示时间序列数据，通过频率通道卷积模块 (FCC) 和窗口频率卷积模块 (WFC) 来分别捕捉全局和局部依赖关系。同时，采用独立通道方案混合时域和频域补丁以更好地捕捉局部依赖关系。通过七个真实世界的长期时间序列数据集的广泛实验结果表明，FTMixer 在预测性能和计算效率方面具有优势。

May, 2024

TimeMixer：可分解的多尺度混合用于时间序列预测

利用多尺度混合的方法进行时间序列预测，通过提取微观和宏观信息来解决复杂的时间变化，并通过 Past-Decomposable-Mixing (PDM) 和 Future-Multipredictor-Mixing (FMM) 块实现全面的多尺度系列的预测，同时在长期和短期预测任务中取得了一致的最先进性能，并具有良好的运行时效率。

May, 2024

提升 BizITOps 数据的多变量时间序列预测的自动混合器

利用 AutoMixer 模型对 Biz-KPI 进行预测，提高了预测准确性，并产生实用的商业见解。

Oct, 2023

WinNet：时间序列预测与窗口增强周期提取与交互

WinNet 是一种高准确性、简单结构的基于 CNN 的模型，用于长期时间序列预测任务，包括将一维序列转换为具有长期和短期周期性的二维张量，建模周期趋势和振荡项，以及利用周期趋势和振荡项的相关性通过 CNN 支持预测任务。通过在九个基准数据集上的结果显示，WinNet 在性能和计算复杂度方面达到了 SOTA 的水平，并为时间序列预测任务中的 CNN 方法提供了潜力，实现了性能和效率的完美权衡。

Nov, 2023

窗口傅立叶混合器：利用傅立叶变换增强无杂波空间建模

基于 U-Former 架构和新的 Windowed-FourierMixer 块的创新方法，用于从单个图像中修复室内环境，以在模拟内部空间的结构，创造纹理丰富且无杂乱的重建。

Feb, 2024

U-Mixer: 一种带有站点校正的时间序列预测 Unet-Mixer 结构

通过结合 Unet 和 Mixer 的方法，U-Mixer 框架能够有效地捕捉不同补丁和通道之间的局部时间依赖关系，以避免通道之间分布变化的影响，并合并低级别和高级别特征以获取全面的数据表示，从而解决时间序列预测中的非平稳性挑战。该研究通过在多个实际时间序列数据集上进行广泛实验，证明了 U-Mixer 方法的有效性和鲁棒性，并在性能上超过了最先进的方法 14.5% 和 7.7%。

Jan, 2024