Vergangenes Zersetzbares Mischen

Past Decomposable Mixing (PDM) ist eine von Shiyu Wang, Haixu Wu und anderen vorgeschlagene Theorie. Diese Theorie wurde in der Zeitung „TimeMixer: Zerlegbares Multiskalen-Mischen für die Zeitreihenprognose„Es wurde erstmals in vorgeschlagen.

PDM ist ein theoretisches Konzept zur Zeitreihenprognose und eine der Kernkomponenten des TimeMixer-Modells. Das Design von PDM basiert auf der Beobachtung, dass Zeitreihen bei unterschiedlichen Stichprobenskalen unterschiedliche Muster aufweisen. Dazu werden saisonale und Trendkomponenten auf unterschiedlichen Skalen zerlegt und gemischt, um Details und Makrotrends aus historischen Informationen zu extrahieren. Insbesondere zerlegt das PDM-Modul die Zeitreihe in saisonale und Trendkomponenten und mischt diese Komponenten jeweils in der Fein-zu-Grob- und Grob-zu-Fein-Richtung, wobei wiederum mikrosaisonale und makrotrendbezogene Informationen aggregiert werden.

Zu den wichtigsten Beiträgen und Funktionen von PDM gehören:

1. Mehrskalige gemischte Perspektive: PDM nutzt die Variationen von Zeitreihendaten auf unterschiedlichen Zeitskalen, um komplexe zeitliche Variationen bei der Zeitreihenprognose zu bewältigen, indem Variationen und ergänzende Prognosefunktionen von mehrskaligen Reihen entkoppelt werden.
2. Entkopplung vergangener Informationen: Das PDM-Modul kann die vergangenen Informationen der Zeitreihe entkoppeln und saisonale und Trendmerkmale extrahieren, um das zukünftige Verhalten der Zeitreihe besser zu verstehen und vorherzusagen.
3. Effiziente Laufzeit: Da das TimeMixer-Modell auf einer vollständigen MLP-Architektur (Multi-Layer Perceptron) basiert, weist PDM zur Laufzeit eine gute Effizienz auf und eignet sich für Vorhersageszenarien in Echtzeit oder nahezu Echtzeit.

Durch die Kombination von PDM mit dem Future-Multipredictor-Mixing-Modul (FMM) erreicht TimeMixer sowohl bei langfristigen als auch bei kurzfristigen Vorhersageaufgaben eine konsistente Leistung auf dem neuesten Stand der Technik bei guter Laufzeiteffizienz.