Mélange Décomposable Passé
Le mélange décomposable passé (PDM) est une théorie proposée par Shiyu Wang, Haixu Wu et d'autres. Cette théorie a été publiée dans l'article «TimeMixer : Mixage multi-échelle décomposable pour la prévision des séries chronologiques« Cela a été proposé pour la première fois en .
PDM est un concept théorique pour la prévision des séries chronologiques et c'est l'un des composants principaux du modèle TimeMixer. La conception du PDM est basée sur l'observation selon laquelle les séries chronologiques présentent des modèles différents à différentes échelles d'échantillonnage, en décomposant et en mélangeant des composants saisonniers et de tendance à différentes échelles pour extraire des détails et des tendances macroéconomiques dans les informations historiques. Plus précisément, le module PDM décompose les séries chronologiques en composants saisonniers et de tendance et mélange ces composants dans les directions fine à grossière et grossière à fine, respectivement, agrégeant à leur tour les informations micro-saisonnières et les informations de tendance macro.
Les principales contributions et fonctionnalités de PDM incluent :
- Perspective mixte multi-échelles:PDM exploite les variations des données de séries chronologiques à différentes échelles de temps pour gérer les variations temporelles complexes dans la prévision des séries chronologiques en découplant les variations et les capacités de prévision complémentaires des séries multi-échelles.
- Découplage des informations passées:Le module PDM peut découpler les informations passées de la série chronologique et extraire les caractéristiques saisonnières et de tendance, afin de mieux comprendre et prédire le comportement futur de la série chronologique.
- Durée de fonctionnement efficace:Étant donné que le modèle TimeMixer est basé sur une architecture MLP (perceptron multicouche) complète, PDM présente une bonne efficacité à l'exécution et convient aux scénarios de prédiction en temps réel ou quasi réel.
Le PDM combiné au module Future-Multipredictor-Mixing (FMM) permet à TimeMixer d'atteindre des performances de pointe cohérentes dans les tâches de prédiction à long et à court terme avec une bonne efficacité d'exécution.