【报告内容】

汇报人：刘玉珠

汇报单位：河海大学

主题：《TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

（1）复杂时间序列的建模挑战：真实世界时间序列包含趋势、季节性、随机波动等多种交织的时间变化，传统方法难以有效解耦这些混合模式。

（2）多尺度信息利用不足：现有方法（如分解、多周期性分析）未充分挖掘不同采样尺度的特性——细尺度含微观细节、粗尺度含宏观趋势，且未实现跨尺度信息的有效融合。

（3）性能与效率的平衡问题：长短期预测任务中，现有模型（如Transformer类）在处理长序列时计算复杂度高，难以兼顾预测精度和运行效率。

2.相关创新方案

（1）多尺度混合架构设计：通过平均下采样生成多尺度序列（从细到粗），捕捉不同尺度的独特模式，为跨尺度信息交互奠定基础。

（2）PDM模块：将多尺度序列分解为季节性和趋势成分，将多尺度序列分解为季节项（自底向上混合保留细节）和趋势项（自顶向下混合提取宏观信息），实现跨尺度信息聚合。FMM模块：集成多尺度预测器的输出，利用不同尺度的互补预测能力（细尺度抓波动、粗尺度抓趋势），提升最终预测精度。

（3）全MLP轻量设计：摒弃注意力机制，用线性层+GELU实现混合操作，显著降低计算开销（比Transformer节省50%+GPU内存）。

3.实验总结

（1）性能全面领先：在18个基准（含ETT、Weather等）超越15个SOTA模型，长期预测中Solar-Energy的MSE降低24.7%，短期任务（如PEMS）MAE降低8.4%。

（2）消融实验验证关键设计：移除季节混合（自底向上）或趋势混合（自顶向下）均导致性能下降>10%；反向混合策略（季节自上而下/趋势自下而上）使MSE恶化23.6%。

（3）效率优势显著：输入长度3072时，GPU内存占用仅1.4GB（PatchTST需16GB），训练速度比Transformer快18倍（0.016s/itervs.0.288s/iter）。

4.未来工作

（1）提升参数效率：探索注意力或CNN-based混合机制，减少线性层参数规模，适应移动设备等资源受限场景。

（2）增强多变量建模：融合变量维度的混合策略，提升对多变量时间序列（如交通网络）中复杂关联的捕捉能力。

（3）理论分析深化：从数学上证明多尺度混合架构的最优性和完备性，为模型设计提供理论支撑。

报告时间：2025年07月11日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)