本研究的核心作者包括Shiyu Wang（蚂蚁集团）、Haixu Wu（清华大学）、Xiaoming Shi（蚂蚁集团）、Tengge Hu（清华大学）、Huakun Luo（清华大学）、Lintao Ma（蚂蚁集团）、James Y. Zhang（蚂蚁集团）和Jun Zhou（蚂蚁集团）。该论文以会议论文形式发表于ICLR 2024，标题为“TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting”。
时间序列预测在交通规划、气象预报、经济分析等领域具有广泛应用。然而，现实世界的时间序列通常呈现复杂的多尺度变化模式，例如微观（高频）的季节性波动和宏观（低频）的趋势变化，这使得准确预测极具挑战性。传统方法主要依赖序列分解（series decomposition）和多周期性分析（multi-periodicity analysis），但这些方法未能充分利用不同时间尺度下的信息交互。
本研究提出了一种全新的视角——多尺度混合（multiscale-mixing），其核心思想是：时间序列在不同采样尺度下呈现截然不同的模式，微观信息体现在细粒度尺度，而宏观信息则体现在粗粒度尺度。基于此，研究团队设计了TimeMixer，一种完全基于多层感知机（MLP）的架构，通过过去可分解混合（Past-Decomposable-Mixing, PDM）和未来多预测器混合（Future-MultiPredictor-Mixing, FMM）模块，充分利用多尺度序列的分解信息和互补预测能力。
TimeMixer首先通过平均下采样（average downsampling）将输入序列转换为多尺度表示。给定长度为 ( P ) 的输入序列 ( x )，生成 ( M ) 个尺度的序列集合 ( \mathbf{X} = {x_0, x_1, …, x_M} )，其中 ( x_m \in \mathbb{R}^{\lfloor P/2^m \rfloor \times C} )，( C ) 为变量数。最细尺度的 ( x_0 = x ) 包含原始序列的微观变化，而最粗尺度的 ( x_M ) 则反映宏观趋势。
PDM模块的核心创新在于对季节性和趋势成分分别采用不同的混合策略：
- 季节性混合（Seasonal Mixing）：采用自底向上（bottom-up）的信息传递方式，因为季节性变化通常由细粒度尺度的周期性模式聚合而成。例如，周交通流量由每日变化累积形成。
- 趋势混合（Trend Mixing）：采用自顶向下（top-down）的信息传递方式，因为宏观趋势更容易从粗粒度尺度中提取，并可用于指导细粒度尺度的趋势建模。
具体实现上，PDM首先通过序列分解模块（series decomposition block）将多尺度序列分解为季节性部分 ( \mathbf{S} ) 和趋势部分 ( \mathbf{T} )，随后分别进行混合：
1. 季节性混合：对第 ( m ) 尺度的季节性分量 ( sm )，通过残差连接融合来自更细尺度 ( s{m-1} ) 的信息：
[ s_m = sm + \text{bottom-up-mixing}(s{m-1}) ]
其中，bottom-up-mixing 由两层线性层和GELU激活函数组成，输入维度为 ( \lfloor P/2^{m-1} \rfloor )，输出维度为 ( \lfloor P/2^m \rfloor )。
2. 趋势混合：对第 ( m ) 尺度的趋势分量 ( tm )，融合来自更粗尺度 ( t{m+1} ) 的信息：
[ t_m = tm + \text{top-down-mixing}(t{m+1}) ]
top-down-mixing 的结构与季节性混合类似，但方向相反。
在预测阶段，TimeMixer通过多预测器集成充分利用不同尺度的互补预测能力：
1. 每个尺度的特征 ( x_m^L ) 通过独立的预测器 ( \text{predictor}_m ) 生成未来预测 ( \hat{x}m )。
2. 最终预测为各尺度预测的加权和：
[ \hat{x} = \sum{m=0}^M \hat{x}_m ]
实验表明，细尺度预测更擅长捕捉季节性细节，而粗尺度预测则更关注宏观趋势（图4）。
研究在18个基准数据集上进行了广泛实验，涵盖长期和短期预测任务，包括：
- 长期预测：ETT（电力变压器温度）、天气、太阳能、交通流量等数据集，预测长度从96到720时间点。
- 短期预测：PEMS交通网络数据和M4竞赛数据集，预测长度为12~48时间点。
实验对比了15种先进模型，包括PatchTST、TimesNet、DLinear等，并采用MSE、MAE、sMAPE等指标评估性能。
TimeMixer在所有数据集上均达到最优性能（表2）：
- 天气预测：MSE为0.240，比第二名PatchTST（0.265）提升9.4%。
- 太阳能预测：MSE为0.216，比PatchTST（0.287）提升24.7%。
- 低可预测性数据（如ETT）：仍表现稳健，验证了模型对复杂时序模式的适应性。
得益于全MLP架构，TimeMixer在GPU内存和运行时间上均优于Transformer类模型（图5）。例如，在序列长度为3072时，TimeMixer的GPU内存占用仅为1.4GB，而PatchTST高达16GB。
TimeMixer通过多尺度混合架构和分解式混合策略，首次在时间序列预测中实现了对微观与宏观信息的协同利用。其科学价值体现在：
1. 方法论创新：提出“多尺度混合”新范式，超越传统分解和多周期性分析。
2. 性能突破：在长期和短期预测任务中均达到SOTA，尤其在低可预测性数据上表现突出。
3. 应用潜力：高效的MLP架构使其适合实时预测场景，如智能交通、气象预警等。
TimeMixer的代码已开源（GitHub链接见原文），为时间序列预测领域提供了新的基准工具。