過去の分解混合

過去分解混合 (PDM) は、Shiyu Wang、Haixu Wu らによって提案された理論です。この理論は、2024 年の ICLR (学習表現に関する国際会議) で論文として発表されました。TimeMixer: 時系列予測のための分解可能なマルチスケール混合」は で最初に提案されました。

PDM は、時系列予測に使用される理論的な概念であり、TimeMixer モデルの中核コンポーネントの 1 つです。 PDM の設計は、時系列がさまざまなサンプリング スケールでさまざまなパターンを示すという観察に基づいており、さまざまなスケールで季節コンポーネントとトレンド コンポーネントを分解およびブレンドして、履歴情報の詳細とマクロ トレンドを抽出します。具体的には、PDM モジュールは時系列を季節部分とトレンド部分に分解し、これらのコンポーネントをそれぞれ細かい方向から粗い方向、粗い方向から細かい方向に混合し、ミクロな季節情報とマクロなトレンド情報を順次集約します。

PDM の主な貢献と機能は次のとおりです。

1. マルチスケールハイブリッドの視点: PDM は、さまざまなタイム スケールでの時系列データの変化を利用し、マルチスケール シーケンスから変化と補完的な予測機能を切り離すことで、時系列予測における複雑な時間的変化を処理します。
2. 過去の情報を切り離す: PDM モジュールは、時系列の過去の情報を分離し、季節特性と傾向特性を抽出して、時系列の将来の動作をよりよく理解して予測できます。
3. 効率的なランタイム: TimeMixer モデルは完全な MLP (多層パーセプトロン) アーキテクチャに基づいているため、PDM は実行時に優れた効率を示し、リアルタイムまたはほぼリアルタイムの予測シナリオに適しています。

PDM と Future-Multipredictor-Mixing (FMM) モジュールを組み合わせることで、TimeMixer は長期および短期の予測タスクにおいて、優れた実行時間効率で一貫した最先端のパフォーマンスを実現できます。