未来多预测器混合 FMM 是什么？TimeMixer 中综合多尺度预测的模块

未来多预测器混合（Future Multipredictor Mixing，FMM）是一种用于时间序列预测的模型组件，它是 TimeMixer 架构的组成部分之一。TimeMixer 由 Shiyu Wang（王世宇）、Haixu Wu（吴海旭）等人在论文《TimeMixer：用于时间序列预测的可分解多尺度混合》中提出，发表于 ICLR 2024，作者来自蚂蚁集团和清华大学等机构。

TimeMixer 的基本思路

时间序列往往在不同的时间尺度上呈现出不同的规律。以电力负荷为例：以小时为单位看，每天有白天高、夜间低的规律；以天为单位看，工作日和周末不同；以月为单位看，夏季和冬季用电多。细粒度的序列包含丰富的短期细节，粗粒度的序列则更清楚地反映长期趋势。TimeMixer 的核心思想是多尺度混合：先通过下采样，把原始的时间序列变成多个不同尺度的版本，比如原始的、两倍粗的、四倍粗的，然后分别在“过去”和“未来”两个阶段进行混合。处理历史数据的部分叫过去可分解混合（PDM），负责从不同尺度的历史中提取特征；而生成预测结果的部分，就是未来多预测器混合（FMM）。

FMM 怎么做

经过过去可分解混合处理后，每个尺度都得到了一组提取好的特征。FMM 为每一个尺度都配备一个独立的预测器：每个预测器只根据自己那个尺度的历史特征，去预测未来的数值。于是，得到了多个“各有侧重”的预测结果：基于细粒度信息的预测，更擅长捕捉短期的细节变化；基于粗粒度信息的预测，更擅长把握长期的整体趋势。最后，FMM 把这些来自不同尺度的预测结果综合起来，比如加和集成，得到最终的预测。

这就像请好几位专家分别从不同的角度给出预测，再综合大家的意见：有人看得细，有人看得远，综合起来往往比任何一个人单独的判断更准确、更稳定。论文认为，不同尺度的信息在预测未来时具有互补的预测能力，FMM 正是为了充分利用这种互补性。

效果

论文报告，TimeMixer 在长期和短期的时间序列预测任务上都取得了当时最好的表现，同时保持了较高的运行效率。它的结构主要由简单的多层感知机构成，比很多基于 Transformer 的复杂模型更轻量。这类方法适用于能源、交通、气象、金融、销售等领域的预测问题。