前言
时间序列范式序列分解
将复杂的时间模式分解为更可预测的分量，如季节项和趋势项。
多尺度（多周期）分析（multiperiodicity analysis）
将混合的时间变化分解为具有不同周期长度的多个分量，这使得深度模型能够从纠缠的变化中突出时间序列的固有属性，进一步提高预测性能。
解纠缠（Disentangling)）
将时间序列不同尺度分开，各自看各自的在不同尺度内的变化，忽略掉不同尺度间的变化（可以是为短期和长远不同尺度间的关系，如长期的上涨和短期上涨之间的联系）
时间序列在不同的采样尺度上呈现出不同的时间变化，例如：每小时记录的交通流量呈现的是一天中不同时间（如早中晚）的流量变化，而对于每日记录的系列，这些细粒度的变化消失了，但能反映出与假期（如工作日和周末之间）相关的波动。而在宏观经济学中，细尺度和粗尺度可以分别反映微观和宏观信息多尺度混合（Multiscale Mixing）
对于时间序列来说：未来的变化是由多个尺度的变化共同决定的，在于预测时还要将不同尺度信息混合。
实现可以分为两步：
在历史信息提取阶段，将序列多尺度解纠缠，分解多个尺度的变化。
在预测阶段，多尺度之间互补，多预测器混合多尺度信息。
一、网络结构
TimeMixer模型采用了一个多尺度混合架构，旨在解决时间序列预测中的复杂时间变化问题。该模型主要采用全MLP（多层感知机）架构，由过去可分解混合 (PDM) 和未来多预测器混合 (FMM) 两大块构成，能够有效利用多尺度序列信息。
PDM负责提取过去的信息并将不同尺度上的季节性和趋势组分分别混合。
FMM通过集成多个预测器（主要是）的方式来提高未来序列的预测准确性，每个预测器都基于不同尺度上的信息进行预测。
二、降采样
以ETT数据集（输入长度为96，变量数为7）为例
三、PDM（Past Decomposable Mixing）
输入为降采样后得到的M个尺度不同的时间序列。
季节性混合
采用自下而上的方法，纳入低层次精细尺度时间序列的信息，可以为粗尺度的季节性建模补充详细信息。（在季节性分析中，较大的尺度可以被视为较小尺度的聚合，例如交通流量七日变化可形成的每周的变化）
每层混合的计算如下（M越大，尺度越大，序列长度越小）
趋势混合
针对趋势部分与季节性部分相反，趋势项的详细变化可能会引入噪声，影响宏观趋势的捕获。较高层次的粗尺度时间序列能够更容易地提供清晰的宏观信息，因此，采用自上而下的混合方法，利用来自粗尺度的宏观知识来指导细尺度的趋势建模。
每层混合的计算如下：
四、FFM（Future Multipredictor Mixing）
每个尺度单独使用一个预测器，最后将不同尺度的预测结果相加。
五、实验表现
长时间预测
所有结果都是从 4 个不同的预测长度（96, 192, 336, 720）预测结果的平均。（红色最好，蓝色次好，详细每个尺度的表现间原论文Table13）
总结
参考
论文精读 | 2024 [ICLR] TimeMixer: 可分解多尺度融合的时间序列预测
论文研读之基于MLP的时序预测模型TimeMixer：时序分解+多尺度混合
