TSMixer：纯MLP时序预测网络，硬刚RNN和注意力机制

已于 2024-11-21 15:16:12 修改
阅读量432 收藏
点赞数 3
文章标签： 时序预测 TSMixer深度时序算法 MLPs时序预测网络 时间序列预测算法 深度学习
于 2024-11-21 15:07:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44402973/article/details/143946155
版权

在时序预测任务中，传统的深度学习模型通常依赖于复杂的架构，如循环神经网络（RNN）和基于注意力的Transformer模型，这些模型虽然在一定程度上能够捕捉到时序数据中的长距离依赖关系，但也面临着计算开销大、过拟合等挑战。为了寻找更为高效且简洁的替代方案，本文提出了TSMixer，一种基于纯MLP（多层感知机）的时序预测网络。与传统的RNN和注意力机制不同，TSMixer通过引入时间混合和特征混合操作，成功实现了对时序数据的高效建模。通过简化的架构和创新的设计，TSMixer不仅在长时段预测任务中表现出色，还在多维度时序数据和大规模零售需求预测中展现了巨大的潜力。

文章详细链接：时序预测网络TSMiXer 论文精读

代码链接；TSMixer代码解析链接

时间序列预测模型分享 MLP CNN LSTM 完整代码可直接运行
03-26 765
时间序列预测模型分享 MLP CNN LSTM 完整代码可直接运行
时序预测 | MATLAB实现MLP多层感知机时间序列预测
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
08-29 1736
时序预测 | MATLAB实现MLP多层感知机时间序列预测
通过 TS-Mixer 实现股票价格预测
weixin_70955880的博客
08-31 2186
最近遇到了强大的 Time Mixer 模型，该模型以在复杂数据集上提供令人印象深刻的结果而闻名。出于好奇，我决定将其应用于我在 Kaggle 上找到的数据集，其中包含 Microsoft 的历史股票价格。在本文中，我们将探讨如何利用 Time Mixer 来预测 Microsoft 股票未来某个时段的实际收盘价，从而展示其在财务时间序列预测方面的潜力。
【论文阅读】TSMixer：An All-MLP Architecture for Time Series Fore-casting用于时间序列预测的全mlp架构
qq_60423839的博客
02-28 1229
现实世界的时间序列数据集通常是具有复杂动态的多元数据集。为了捕捉这种复杂性，高容量架构，如循环或基于注意力的顺序深度学习模型已经变得流行起来。然而，最近的研究表明，简单的单变量线性模型可以在几个常用的学术基准上优于这种深度学习模型。在本文中，我们扩展了线性模型用于时间序列预测的能力，并提出了时间序列混频器（TSMixer），这是一种通过堆叠多层感知器（mlp）设计的新架构。TSMixer基于沿时间和特征维度的混合操作来有效地提取信息。
TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting
小蚂蚁与大象
08-02 1544
受MLP- mixers在视觉领域的成功启发，本文提出了TSMixer，这是一种纯粹设计的MLP架构，具有经验验证的时间序列特定增强，用于多变量预测和表示学习。MLP Mixer layers， 直观地说，每个Mixer layers(图2b)试图学习三个不同方向上的相关性:(i)不同patch之间，(ii) patch内部隐藏特征之间，以及(iii)不同通道之间。它还优于最新的强大的。时间序列数据通常具有固有的层次结构，要么是明确已知的(例如，层次预测数据集[15])，要么是隐含的特征。
【论文阅读】CI-TSMixer
mataolc的博客
08-27 798
直接将MLP-Mixers使用到时序领域效果不佳，本文提出了TSMixer模型，TSMixer是patching-based，并且可以作为一个通用的backbone来用来学习时序的patch表征。
推荐项目：ts-mixer - 开启TypeScript的混入之旅
gitblog_01066的博客
09-07 516
推荐项目：ts-mixer - 开启TypeScript的混入之旅 ts-mixerA small TypeScript library that provides tolerable Mixin functionality.项目地址:https://gitcode.com/gh_mirrors/ts/ts-mixer 在软件开发中，复用代码和增强类的功能是常有的需求。针对TypeScript...
ts-mixer：一个小的TypeScript库，提供可容忍的Mixin功能
02-17
ts-混音器 概述 ts-mixer将mixins带到TypeScript。 ts-mixer “ Mixins”只是类，因此您已经知道如何编写它们，并且可以轻松混合自己喜欢的库中的类。 mixin问题比看起来更细微。 我已经看到了无数适用于某些情况的代码片段，但在其他情况下却失败了。 ts-mixer尝试从所有这些解决方案中获取最大收益，同时考虑到您可能未曾考虑过的情况。 特征 混合普通类 混合扩展其他类的类 混合了与ts-mixer混合的类 支持静态属性 支持受保护的/私有属性（返回类的流行函数不支持） 混合抽象类（注意事项[ ]） 混合通用类（注意事项[ ]） 支持类，方法和属性修饰符（带有警告[ ]） 主要支持构造函数带来的复杂性（注意事项[ ]） 带有类似instanceof的替换（带有警告[ ]） （ES6代理与硬拷贝） 注意事项 混合抽象类需要一些技巧
TypeScript Mixin 库 ts-mixer 使用常见问题解决方案
gitblog_00052的博客
11-26 487
TypeScript Mixin 库 ts-mixer 使用常见问题解决方案 ts-mixer A small TypeScript library that provides tolerable Mixin functionality. ...
【PaperInFive-时间序列预测】TSMixer:用于时间序列预测的全MLP架构(谷歌)
weixin_68094467的博客
08-23 450
（https://doi.org/10.1609/aaai.v37i9.26317）揭示了情况并不总是如此，在许多常用的预测基准上，基于Transformer的模型确实可能比简单的单变量时间线性模型差得多。本文研究了线性模型用于时间序列预测的能力，提出了时间序列混合器(TSMixer)，一种通过堆叠多层感知器(mlp)设计的新架构。继Zeng et al.(2023)和Nie et al.(2023)的讨论之后，我们对线性模型的分析为为什么以前的深度学习模型倾向于过拟合数据提供了更深入的见解。
TimesNet+Tsmixer多变量时间序列预测 timesnet/tsmixer Timenet是2023年4月发表了一个新的模型
最新发布
VFPGAlogXp的博客
03-07 1063
TimesNet是2023年4月发表的一个新型模型，该模型以其出色的性能在时间序列分析的多个任务中实现了最先进的结果。今天，我们要探讨的是TimesNet和Tsmixer这两种模型，尤其是它们在多变量时间序列预测中的应用。随着深度学习技术的不断发展，我们期待看到更多创新的方法和策略被应用到这个领域，推动多变量时间序列预测的进一步发展。与LSTM系列的以前的模型不同，它使用基于cnn的架构来跨不同的任务获得最先进的结果，使其成为时间序列分析的基础模型的绝佳候选。2.多变量预测，多变量输入，单变量输出。
PaddleTS的时序预测模型模块模块
weixin_41046245的博客
06-14 1955
PaddleTS是基于飞桨深度学习框架PaddlePaddle开发的时序模型库。它提供了丰富的时序分析模型，包括预测、表征、异常检测和分类模型，适用于多种时序数据的分析和应用。通过这些模块，PaddleTS为用户提供了一个完整的时序数据分析解决方案。学生们可以根据不同的应用需求选择相应的模型模块，快速构建并部署时序预测、表征、异常检测和分类模型。
时间序列预测论文讲解-[arXiv 2024]PDMLP: Patch-based Decomposed MLP for Long-Term Time Series Forecasting
qq_45834106的博客
12-19 1321
该论文提出了一种新的长序列时间预测模型PDMLP，通过采用基于补丁分解的多层感知器结构，强化了序列局部性并解决了传统Transformer架构在处理长序列时可能出现的时序信息损失问题。研究指出，简单的线性层结合补丁机制可能优于复杂的Transformer模型，并强调了多变量时间序列预测中变量间交互的重要性。论文中提出的PDMLP模型利用简单移动平均从时间序列数据中提取平滑成分和含噪声的残差，并通过通道混合进行语义信息交换，同时独立处理随机噪声。
R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
拓端研究室TRL
11-22 1155
原文链接：http://tecdat.cn/?p=23485用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。请注意，由于神经网络无法利用GPU处理，因此大型网络的训练速度往往很慢（点击文末“阅读原文”获取完整代码数据）。相关视频与现有神经网络实现的不同之处在于，R可以自动设计具有合理预测性能的网络。这增加了神经网络的鲁棒性，但也有助于减少训练时间。使用MLP进行预测使用R软...
Keras之MLPR：利用MLPR算法(3to1【窗口法】+【Input(3)→(12+8)(relu)→O(mse)】)实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
11-20 1万+
Keras之MLPR：利用MLPR算法(3to1【窗口法】+【Input(3)→(12+8)(relu)→O(mse)】)实现根据历史航空旅客数量数据集(时间序列数据)预测下月乘客数量问题 目录 输出结果 设计思路 代码实现 输出结果 设计思路 代码实现 后期更新…… ...
python MLPRegressor神经网络回归预测
热门推荐
import_torch_as_tf
10-31 3万+
'''载入数据''' from sklearn import datasets boston = datasets.load_boston() x,y = boston.data,boston.target '''引入标准化函数''' from sklearn import preprocessing x_MinMax = preprocessing.MinMaxScaler() y_MinMa...
时间序列预测04：TF2.1开发多层感知器时间序列预测模型详解
全性保真，不以物累形。
04-06 9231
本文介绍了如何在以TF2.1为后端的Keras中搭建一系列不同的多层感知器模型来实现序列预测任务。模型包括一元感知器模型，多元感知器模型，多时间步感知器模型，多变量多时间步感知器模型。因为本文示例仅使用简单的人为构造的数据来进行演示，因此并没有超参数调整部分，本文更多的目的是提供解决时间序列预测问题的思路方法和模型的模板，具体的细节可以根据自己的业务需求进行扩展开发。
时序预测方法总结
weixin_43165676的博客
11-15 1万+
时序预测 本人博客只是平时学习中做的笔记，若文中有错误请大家指出！ 单变量时间预测 AR — AutoRegression 自回归 自回归基于输入变量的线性组合为输出建模 输入：先前时间步长的值；输出：下一步的值 在时间序列中，鉴于当前和先前时间步长的观测值，我们可以预测下一时间步长的值 “ p”是自回归趋势参数，可以从自相关图确定p的理想值 note：该方法适用于没有趋势和季节成分的时间序列 # Import libraries from statsmodels.tsa.ar_model import
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值