TimeMixer：一种新的时间序列预测方法，该方法由论文“TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting”提出。此论文发表于ICLR 2024会议。TimeMixer通过多尺度混合（Multiscale Mixing）和可分解的过去混合（Past-Decomposable Mixing, PDM）以及未来多预测器混合（Future-Multipredictor Mixing, FMM）模块来实现高效的时间序列预测。
论文作者为Shiyu Wang, Haixu Wu, Xiaoming Shi, Tengge Hu, Huakun Luo, Lintao Ma, James Y. Zhang, Jun Zhou，来自蚂蚁集团和清华大学。
论文内容概要如下（由ChatGPT 4o总结）
一、主要贡献
- 多尺度混合视角：
- 该论文提出了一种新颖的多尺度混合视角，通过在不同的采样尺度上分析时间序列的复杂变化，将时间序列中的微观和宏观信息解耦，从而提高预测精度。
- TimeMixer架构：
- TimeMixer是一种完全基于MLP（多层感知器）的架构，包含PDM和FMM两个模块。PDM模块负责提取过去的多尺度信息，而FMM模块则将这些信息用于未来的预测。
- PDM模块通过对多尺度时间序列的分解，将季节性和趋势性成分分别混合，实现了从细粒度到粗粒度和从粗粒度到细粒度的信息聚合。
- FMM模块通过组合多个预测器的预测结果，利用多尺度观测的互补预测能力，提高了预测的准确性。
二、方法细节
- 多尺度混合架构：
- 通过平均下采样将过去观测数据转换为多个尺度的时间序列，然后使用嵌入层将这些多尺度序列投影到深度特征空间。
- 使用多个PDM模块来混合不同尺度的过去信息，分别对季节性和趋势性成分进行处理，最终获得多尺度的混合表示。
- 过去可分解混合（PDM）：
- PDM模块首先将多尺度时间序列分解为季节性和趋势性成分，然后分别进行混合操作。季节性成分采用自下而上的方式混合，而趋势性成分则采用自上而下的方式混合。
- 未来多预测器混合（FMM）：
- 在未来预测阶段，FMM模块将多个尺度的预测结果进行组合，从而利用多尺度信息的互补预测能力，提高预测精度。
三、实验结果
- TimeMixer在长短期预测任务中都表现出色，在多种基准数据集上均取得了最新的最优性能，并且在运行效率上具有明显的优势。
- 在长时间预测任务中，TimeMixer在Weather、Solar-Energy、Electricity和Traffic等数据集上均优于当前最先进的模型，如PatchTST。
- 在短时间预测任务中，TimeMixer在PEMS和M4数据集上也展示了强大的预测能力，特别是在复杂的多变量时间序列预测任务中表现尤为出色。
四、结论
TimeMixer通过多尺度混合架构有效地处理了时间序列预测中的复杂时变模式，结合了微观和宏观信息的优点，实现了高效且精确的预测。详细的可视化和消融实验进一步验证了其设计的合理性和有效性。
TimeMixer on GitHub: https://github.com/kwuking/TimeMixer