过去可分解混合 Past Decomposable Mixing

过去可分解混合（Past Decomposable Mixing，简称 PDM）是由 Shiyu Wang（王世宇）、 Haixu Wu（吴海旭）等人提出的理论。这一理论在 2024 年的 ICLR（International Conference on Learning Representations）上发表的论文「TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting」中首次提出。

PDM 是一种用于时间序列预测的理论概念，它是 TimeMixer 模型的核心组件之一。 PDM 的设计基于时间序列在不同采样尺度下呈现不同模式的观察，通过分解和混合不同尺度上的季节性和趋势成分，以提取历史信息中的细节和宏观趋势。具体来说，PDM 模块将时间序列分解为季节性部分和趋势部分，并在由细到粗和由粗到细的方向上分别混合这些成分，依次聚合微观季节和宏观趋势信息。

PDM 的主要贡献和特点包括：

1. 多尺度混合视角：PDM 利用时间序列数据在不同时间尺度上的变化，通过解耦变化和来自多尺度序列的互补预测能力来处理时间序列预测中的复杂时间变化。
2. 解耦过去信息：PDM 模块能够解耦时间序列的过去信息，提取出季节性和趋势性特征，从而更好地理解和预测时间序列的未来行为。
3. 高效的运行时间：由于 TimeMixer 模型基于全 MLP（多层感知机）架构，PDM 在运行时表现出良好的效率，适合实时或近实时预测场景。

PDM 与 Future-Multipredictor-Mixing (FMM) 模块结合，使得 TimeMixer 能够在长期和短期预测任务中实现一致的最先进性能，并具有良好的运行时效率。