과거 분해 가능 혼합(PDM)은 Shiyu Wang, Haixu Wu 등이 제안한 이론입니다. 이 이론은 논문 "에 게재되었습니다.TimeMixer: 시계열 예측을 위한 분해 가능한 다중 스케일 혼합"이것은 처음에 .에서 제안되었습니다.

PDM은 시계열 예측을 위한 이론적 개념이며 TimeMixer 모델의 핵심 구성 요소 중 하나입니다. PDM의 설계는 시계열이 다양한 샘플링 규모에서 서로 다른 패턴을 나타낸다는 관찰에 기초하며, 다양한 규모에서 계절적 및 추세적 구성 요소를 분해하고 혼합하여 과거 정보에서 세부 정보와 거시적 추세를 추출합니다. 구체적으로, PDM 모듈은 시계열을 계절적 요소와 추세 요소로 분해하고, 이러한 구성 요소를 각각 세부-대조 및 세부-대조 방향으로 혼합하여 미시적 계절적 및 거시적 추세 정보를 차례로 집계합니다.

PDM의 주요 기여도와 특징은 다음과 같습니다.

1. 다중 스케일 혼합 관점: PDM은 다양한 시간 척도에서 시계열 데이터의 변화를 활용하여 다중 척도 시계열에서 변화와 보완적인 예측 기능을 분리함으로써 시계열 예측의 복잡한 시간적 변화를 처리합니다.
2. 과거 정보 분리: PDM 모듈은 시계열의 과거 정보를 분리하고 계절적, 추세적 특징을 추출하여 시계열의 미래 행동을 더 잘 이해하고 예측할 수 있습니다.
3. 효율적인 실행 시간: TimeMixer 모델은 완전한 MLP(다층 퍼셉트론) 아키텍처를 기반으로 하므로 PDM은 런타임에서 우수한 효율성을 보이며 실시간 또는 거의 실시간 예측 시나리오에 적합합니다.

PDM을 Future-Multipredictor-Mixing(FMM) 모듈과 결합하면 TimeMixer는 우수한 런타임 효율성을 바탕으로 장기 및 단기 예측 작업 모두에서 일관된 최첨단 성능을 달성할 수 있습니다.