TimeMixer 总览

论文问题与动机

标准 Transformer 将时序视为"一个分辨率"的 token 序列，无法同时捕获粗粒度趋势和细粒度季节波动。早期工作（Autoformer、FEDformer）通过在单一分辨率上分解解决了部分问题，但分解后的趋势与季节成分仍在同一时间尺度混合——高频噪声干扰趋势、低频背景模糊了季节峰值。

TimeMixer 的核心主张：先将时序下采样到多个分辨率，再让趋势和季节各自在最合适的分辨率方向上混合。趋势从粗到细（顶向下），季节从细到粗（底向上），两条路分开走，最终在每个尺度汇合。

---

核心创新

多尺度输入（Multi-Scale Inputs）

原始序列 (T=24):  [t1, t2, ..., t24]
AvgPool(window=2): [t1+t2/2, t3+t4/2, ..., t23+t24/2]  → 长度 12
AvgPool 再次:       [...]                                 → 长度 6

x_list = [(B,24,N), (B,12,N), (B,6,N)]

细粒度尺度保留完整波动；粗粒度尺度自然平滑噪声、凸显趋势。

PastDecomposableMixing（PDM）：双路多尺度混合

x_list 各尺度先做 series_decomp：
  季节成分 season_list = [(B,N,24), (B,N,12), (B,N,6)]   ← 已 permute
  趋势成分 trend_list  = [(B,N,24), (B,N,12), (B,N,6)]   ← 已 permute

季节路（底向上）：
  scale0(24) ──Linear(24→12)──> 加到 scale1(12) ──Linear(12→6)──> 加到 scale2(6)
  "细粒度季节信息向上渗透"

趋势路（顶向下）：
  scale2(6) ──Linear(6→12)──> 加到 scale1(12) ──Linear(12→24)──> 加到 scale0(24)
  "粗粒度趋势向下广播"

最终：out = season + trend（每个尺度）

Future Multi-scale Mixing（FMM）：多尺度并行预测求和

每个尺度独立做：enc_out.T → predict_layer(Linear T→pred_len) → projection(d_model→1)
→ reshape 成 (B, pred_len, N)

三个尺度预测 stack 再 sum：dec_out_list 累加 → 最终 (B, pred_len, N)

---

跨模型对比表

维度	DLinear	PatchTST	Autoformer	TimeMixer
时序分解	静态（移动均值）	无	贯穿编解码	每个 PDM 块内分解
多尺度	❌	❌	❌	✅ 3层下采样
注意力	❌	时间轴（patch）	Auto-Correlation	❌（纯 MLP mixing）
channel 处理	CI（独立）	CI	混合	CI 或 CD（可配）
趋势混合方向	—	—	单尺度	顶向下（粗→细）
季节混合方向	—	—	单尺度	底向上（细→粗）
预测头	单路 Linear	单路 Linear	Decoder 生成	每尺度独立 Linear → 求和
复杂度	$O(L)$	$O(P^2)$	$O(L\log L)$	$O(L)$ mixing

---

TFB 调用链

---

文档 BFS 树形索引

---

论文组件 → 代码对应表

论文组件	实现代码	精读文档
Multi-Scale Inputs	TimeMixer.__multi_scale_process_inputs()	[[03A-Layer2A-MultiScale]]
Past Decomposable Mixing (PDM)	PastDecomposableMixing.forward()	[[03B-Layer2B-PDM]]
Bottom-up Season Mixing	MultiScaleSeasonMixing.forward()	[[03B1-Layer3-SeasonMixing]]
Top-down Trend Mixing	MultiScaleTrendMixing.forward()	[[03B2-Layer3-TrendMixing]]
Future Multi-scale Mixing (FMM)	TimeMixer.future_multi_mixing()	[[03C-Layer2C-FutureMixing]]
Series Decomp	series_decomp（来自 Autoformer）	[[Autoformer/03D-Layer2D-SeriesDecomp]]
Instance Normalization	Normalize.forward("norm"/"denorm")	见 [[02-Layer1-forecast主链]] §norm

---

全局 Toy 参数

参数	值	含义
B	2	batch size
seq_len	24	encoder 输入长度
pred_len	6	预测步数（= horizon）
label_len	12	decoder 历史前缀（= seq_len//2，TFB 自动设置）
enc_in	3	变量数（= dec_in = c_out）
d_model	8	隐层维度
d_ff	16	FFN 中间维度
e_layers	2	PDM 块数
down_sampling_window	2	每次下采样倍率
down_sampling_layers	2	下采样层数（共 3 个尺度）
moving_avg	3	series_decomp 核大小
channel_independence	1	CI 模式（每变量独立）

多尺度 shape 一览：

尺度	时间维	原始 shape	CI reshape 后
0（最细）	24	(2, 24, 3)	(6, 24, 1)
1	12	(2, 12, 3)	(6, 12, 1)
2（最粗）	6	(2, 6, 3)	(6, 6, 1)

注：CI 模式下 $B\times N=2\times 3=6$，各变量变为独立样本。

---

推荐阅读路径

快速了解直觉：[[00-总览]] → [[02-Layer1-forecast主链]] §5.1 宏观逻辑

完整代码精读：[[01-Layer0-接入界面]] → [[02-Layer1-forecast主链]] → [[03A-Layer2A-MultiScale]] → [[03B-Layer2B-PDM]] → [[03B1-Layer3-SeasonMixing]] → [[03B2-Layer3-TrendMixing]] → [[03C-Layer2C-FutureMixing]] → [[04-收束]]