TimeMixer终极指南如何用完全MLP架构实现时间序列预测的SOTA性能【免费下载链接】TimeMixer[ICLR 2024] Official implementation of TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting项目地址: https://gitcode.com/gh_mirrors/ti/TimeMixerTimeMixer是ICLR 2024收录的创新时间序列预测模型它采用完全MLP架构突破了传统Transformer模型的计算瓶颈在保持预测精度的同时实现了极高的运行效率。本文将带你全面了解这一SOTA模型的核心原理、实现细节和应用方法帮助你快速掌握这一强大工具。TimeMixer的革命性突破完全MLP架构的优势传统时间序列预测模型如Transformer和LSTM往往面临计算复杂度高、训练耗时的问题。TimeMixer创新性地采用纯MLP架构通过多尺度分解混合机制实现了精度与效率的完美平衡。TimeMixer架构图展示了多尺度时间序列分解、过去可分解混合和未来多预测器混合三大核心模块从架构图可以看到TimeMixer主要包含三个关键部分多尺度时间序列分解通过下采样将原始序列分解为不同时间尺度的子序列过去可分解混合包含季节性混合自底向上和趋势混合自顶向下两个并行模块未来多预测器混合使用多个预测器对不同尺度的特征进行融合预测核心技术解析多尺度混合机制过去可分解混合Past Decomposable MixingTimeMixer的核心创新在于其独特的多尺度混合机制。在models/TimeMixer.py中PastDecomposableMixing类实现了这一功能class PastDecomposableMixing(nn.Module): def __init__(self, configs): super(PastDecomposableMixing, self).__init__() # 初始化分解方法移动平均或DFT if configs.decomp_method moving_avg: self.decompsition series_decomp(configs.moving_avg) elif configs.decomp_method dft_decomp: self.decompsition DFT_series_decomp(configs.top_k) # 初始化多尺度混合模块 self.mixing_multi_scale_season MultiScaleSeasonMixing(configs) self.mixing_multi_scale_trend MultiScaleTrendMixing(configs)该模块首先将输入序列分解为季节性和趋势性成分然后分别通过MultiScaleSeasonMixing自底向上和MultiScaleTrendMixing自顶向下进行跨尺度信息融合。未来多预测器混合Future Multipredictor Mixing在未来预测阶段TimeMixer为每个尺度的特征分配独立的预测器最后通过加权融合得到最终结果。这一过程在future_multi_mixing方法中实现def future_multi_mixing(self, B, enc_out_list, x_list): dec_out_list [] for i, enc_out in zip(range(len(x_list)), enc_out_list): # 每个尺度使用独立的预测器 dec_out self.predict_layersi).permute(0, 2, 1) dec_out self.projection_layer(dec_out) dec_out_list.append(dec_out) return dec_out_list效率对比为何TimeMixer远超传统模型TimeMixer的纯MLP架构带来了显著的效率优势。与Transformer类模型相比它避免了注意力机制的O(n²)复杂度在长序列预测任务中表现尤为突出。TimeMixer与其他模型的效率对比(a)不同序列长度下的GPU内存占用(b)不同序列长度下的运行时间从图表可以清晰看到随着序列长度增加从192到3072TimeMixer的GPU内存占用增长缓慢远低于PatchTST和TimesNet运行时间呈线性增长而其他模型增长速度更快这种效率优势使得TimeMixer能够处理更长的时间序列数据同时保持实时预测能力。实战指南快速上手TimeMixer环境准备首先克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/ti/TimeMixer cd TimeMixer pip install -r requirements.txt长短期预测任务TimeMixer支持长短期预测任务相关实现位于exp/exp_long_term_forecasting.py和exp/exp_short_term_forecasting.py。以长期预测为例训练入口代码如下class Exp_Long_Term_Forecast(Exp_Basic): def train(self, setting): train_data, train_loader self._get_data(flagtrain) vali_data, vali_loader self._get_data(flagval) test_data, test_loader self._get_data(flagtest) # 模型训练与验证 for epoch in range(self.args.train_epochs): train_loss [] self.model.train() for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader): model_optim.zero_grad() outputs self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark) loss criterion(outputs, batch_y) loss.backward() model_optim.step() train_loss.append(loss.item())运行预定义脚本项目提供了多个数据集的预定义脚本位于scripts/目录下。例如运行M4数据集的短期预测cd scripts/short_term_forecast/M4 bash TimeMixer.sh对于长期预测任务可以运行ETT数据集的脚本cd scripts/long_term_forecast/ETT_script bash TimeMixer_ETTh1_unify.sh性能验证M4数据集上的SOTA表现TimeMixer在M4数据集上取得了卓越性能特别是在SMAPE对称平均绝对百分比误差指标上领先于其他模型。TimeMixer在M4数据集上的性能表现展示了与15种主流模型在不同时间频率数据上的SMAPE、MASE和OWA指标对比从表格数据可以看出TimeMixer在多个指标上表现优异年度数据SMAPE13.206MASE2.916OWA0.776季度数据SMAPE9.996MASE1.166OWA0.825月度数据SMAPE12.605MASE0.919OWA0.869加权平均指标更是全面领先充分证明了TimeMixer在处理不同频率、不同特性的时间序列数据时的强大能力。总结与展望TimeMixer通过完全MLP架构和创新的多尺度混合机制在时间序列预测领域实现了精度与效率的双重突破。其核心优势包括架构创新纯MLP设计避免了注意力机制的计算瓶颈多尺度混合自底向上的季节性混合和自顶向下的趋势混合效率优势线性复杂度适合长序列预测任务广泛适用性在多种数据集和预测任务上均表现优异无论是学术研究还是工业应用TimeMixer都为时间序列预测提供了一种新的高效解决方案。随着代码的开源相信会有更多开发者基于这一框架进行创新和优化。如果你对TimeMixer感兴趣可以通过修改models/TimeMixer.py中的参数来适应特定场景或参考exp/目录下的实验代码进行扩展。【免费下载链接】TimeMixer[ICLR 2024] Official implementation of TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting项目地址: https://gitcode.com/gh_mirrors/ti/TimeMixer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
TimeMixer终极指南：如何用完全MLP架构实现时间序列预测的SOTA性能
TimeMixer终极指南如何用完全MLP架构实现时间序列预测的SOTA性能【免费下载链接】TimeMixer[ICLR 2024] Official implementation of TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting项目地址: https://gitcode.com/gh_mirrors/ti/TimeMixerTimeMixer是ICLR 2024收录的创新时间序列预测模型它采用完全MLP架构突破了传统Transformer模型的计算瓶颈在保持预测精度的同时实现了极高的运行效率。本文将带你全面了解这一SOTA模型的核心原理、实现细节和应用方法帮助你快速掌握这一强大工具。TimeMixer的革命性突破完全MLP架构的优势传统时间序列预测模型如Transformer和LSTM往往面临计算复杂度高、训练耗时的问题。TimeMixer创新性地采用纯MLP架构通过多尺度分解混合机制实现了精度与效率的完美平衡。TimeMixer架构图展示了多尺度时间序列分解、过去可分解混合和未来多预测器混合三大核心模块从架构图可以看到TimeMixer主要包含三个关键部分多尺度时间序列分解通过下采样将原始序列分解为不同时间尺度的子序列过去可分解混合包含季节性混合自底向上和趋势混合自顶向下两个并行模块未来多预测器混合使用多个预测器对不同尺度的特征进行融合预测核心技术解析多尺度混合机制过去可分解混合Past Decomposable MixingTimeMixer的核心创新在于其独特的多尺度混合机制。在models/TimeMixer.py中PastDecomposableMixing类实现了这一功能class PastDecomposableMixing(nn.Module): def __init__(self, configs): super(PastDecomposableMixing, self).__init__() # 初始化分解方法移动平均或DFT if configs.decomp_method moving_avg: self.decompsition series_decomp(configs.moving_avg) elif configs.decomp_method dft_decomp: self.decompsition DFT_series_decomp(configs.top_k) # 初始化多尺度混合模块 self.mixing_multi_scale_season MultiScaleSeasonMixing(configs) self.mixing_multi_scale_trend MultiScaleTrendMixing(configs)该模块首先将输入序列分解为季节性和趋势性成分然后分别通过MultiScaleSeasonMixing自底向上和MultiScaleTrendMixing自顶向下进行跨尺度信息融合。未来多预测器混合Future Multipredictor Mixing在未来预测阶段TimeMixer为每个尺度的特征分配独立的预测器最后通过加权融合得到最终结果。这一过程在future_multi_mixing方法中实现def future_multi_mixing(self, B, enc_out_list, x_list): dec_out_list [] for i, enc_out in zip(range(len(x_list)), enc_out_list): # 每个尺度使用独立的预测器 dec_out self.predict_layersi).permute(0, 2, 1) dec_out self.projection_layer(dec_out) dec_out_list.append(dec_out) return dec_out_list效率对比为何TimeMixer远超传统模型TimeMixer的纯MLP架构带来了显著的效率优势。与Transformer类模型相比它避免了注意力机制的O(n²)复杂度在长序列预测任务中表现尤为突出。TimeMixer与其他模型的效率对比(a)不同序列长度下的GPU内存占用(b)不同序列长度下的运行时间从图表可以清晰看到随着序列长度增加从192到3072TimeMixer的GPU内存占用增长缓慢远低于PatchTST和TimesNet运行时间呈线性增长而其他模型增长速度更快这种效率优势使得TimeMixer能够处理更长的时间序列数据同时保持实时预测能力。实战指南快速上手TimeMixer环境准备首先克隆仓库并安装依赖git clone https://gitcode.com/gh_mirrors/ti/TimeMixer cd TimeMixer pip install -r requirements.txt长短期预测任务TimeMixer支持长短期预测任务相关实现位于exp/exp_long_term_forecasting.py和exp/exp_short_term_forecasting.py。以长期预测为例训练入口代码如下class Exp_Long_Term_Forecast(Exp_Basic): def train(self, setting): train_data, train_loader self._get_data(flagtrain) vali_data, vali_loader self._get_data(flagval) test_data, test_loader self._get_data(flagtest) # 模型训练与验证 for epoch in range(self.args.train_epochs): train_loss [] self.model.train() for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader): model_optim.zero_grad() outputs self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark) loss criterion(outputs, batch_y) loss.backward() model_optim.step() train_loss.append(loss.item())运行预定义脚本项目提供了多个数据集的预定义脚本位于scripts/目录下。例如运行M4数据集的短期预测cd scripts/short_term_forecast/M4 bash TimeMixer.sh对于长期预测任务可以运行ETT数据集的脚本cd scripts/long_term_forecast/ETT_script bash TimeMixer_ETTh1_unify.sh性能验证M4数据集上的SOTA表现TimeMixer在M4数据集上取得了卓越性能特别是在SMAPE对称平均绝对百分比误差指标上领先于其他模型。TimeMixer在M4数据集上的性能表现展示了与15种主流模型在不同时间频率数据上的SMAPE、MASE和OWA指标对比从表格数据可以看出TimeMixer在多个指标上表现优异年度数据SMAPE13.206MASE2.916OWA0.776季度数据SMAPE9.996MASE1.166OWA0.825月度数据SMAPE12.605MASE0.919OWA0.869加权平均指标更是全面领先充分证明了TimeMixer在处理不同频率、不同特性的时间序列数据时的强大能力。总结与展望TimeMixer通过完全MLP架构和创新的多尺度混合机制在时间序列预测领域实现了精度与效率的双重突破。其核心优势包括架构创新纯MLP设计避免了注意力机制的计算瓶颈多尺度混合自底向上的季节性混合和自顶向下的趋势混合效率优势线性复杂度适合长序列预测任务广泛适用性在多种数据集和预测任务上均表现优异无论是学术研究还是工业应用TimeMixer都为时间序列预测提供了一种新的高效解决方案。随着代码的开源相信会有更多开发者基于这一框架进行创新和优化。如果你对TimeMixer感兴趣可以通过修改models/TimeMixer.py中的参数来适应特定场景或参考exp/目录下的实验代码进行扩展。【免费下载链接】TimeMixer[ICLR 2024] Official implementation of TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting项目地址: https://gitcode.com/gh_mirrors/ti/TimeMixer创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
