企业官网建设流程全解析

时间序列预测入门到实战（九）· 卷积视角：从 TCN 到 TimesNet

本文是「码海寻道」《时间序列预测入门到实战》系列的第 9 篇。上一篇 RNN 靠"记忆"处理序列，但它得一步步顺序算，慢、难并行。这一篇我们换个视角——用卷积啃时序。从经典的TCN（一维因果卷积），一路讲到 2023 年很有代表性的TimesNet（把一维序列"折叠"成二维）。同一个"卷积"武器，两种截然不同的用法。

一、TCN：卷积也能处理序列，还更快

CNN 不是图像的专利。把二维卷积压成一维，让卷积核沿时间轴滑动，就能扫序列了。TCN（时序卷积网络）在此基础上加了两个关键设计。

因果卷积：绝不偷看未来

普通卷积会同时看左右两边，但预测时未来是不可知的。因果卷积只让卷积核看当前及过去（padding 只加在左侧，算完裁掉右边多出的部分）。这从结构上杜绝了第 1 篇反复强调的数据泄露。

膨胀卷积：用"空洞"看得更远

要抓长期依赖，感受野就得大。一层层堆普通卷积太慢。膨胀卷积（dilated convolution）给卷积核带上"空洞"——隔几个点取一个，让膨胀系数按1, 2, 4, 8…指数增长。这样几层就能覆盖成百上千步的历史，感受野指数级膨胀。

"指数级"到底多快？普通卷积每加一层，感受野只多几步，要看 512 步得堆几百层。膨胀卷积把每层的"步长"翻倍：第 1 层看 1、2 步，第 2 层跨 2 步、第 3 层跨 4 步……覆盖范围是1+2+4+8+…的等比累加，每加一层就翻一倍。所以2⁹=512——堆 9 层就能回看 500 多步历史，而计算量只线性增加。用"空洞"换"深度"，这是 TCN 又快又能看得远的秘诀。

importtorch.nnasnn,torch.nn.functionalasFclassChomp(nn.Module):# 裁掉右侧多余 padding，保证因果def__init__(self,s):super().__init__();self.s=sdefforward(self,x):returnx[:,:,:-self.s].contiguous()classTCNBlock(nn.Module):def__init__(self,cin,cout,k,dilation):super().__init__()pad=(k-1)*dilation self.net=nn.Sequential(nn.Conv1d(cin,cout,k,padding=pad,dilation=dilation),Chomp(pad),nn.ReLU(),nn.Dropout(0.1))self.down=nn.Conv1d(cin,cout,1)ifcin!=coutelseNonedefforward(self,x):res=xifself.downisNoneelseself.down(x)returnF.relu(self.net(x)+res)# 残差连接，堆深也稳

TCN vs RNN：TCN 能并行（整条序列一次卷完，不用等上一步），感受野可控，梯度更稳。很多任务上它又快又好，是个被低估的强基线。

二、TimesNet：把一维"折叠"成二维

TCN 还是在一维上做文章。TimesNet（2023）提出了一个很妙的洞见：时序的复杂变化，本质来自多重周期——日内有规律、跨日有规律。既然如此，为什么不把这两种规律摆到二维平面上分别处理？

它的核心三步：

1. FFT 找主周期：对序列做快速傅里叶变换，挑出能量最强的几个周期（比如 24、168）；
2. 按周期折叠成 2D：把一维序列按周期长度 reshape 成矩阵——每一列是一个周期内的位置，每一行是第几个周期。于是"周期内变化"成了矩阵的一个方向，"周期间变化"成了另一个方向；
3. 2D 卷积一起抓：用二维卷积核（Inception 结构）同时捕捉这两个方向的模式，再还原回一维。多个周期分别处理后加权融合。

为什么折叠这一下如此关键？想象一条按小时排的油温序列，周期是 24。把它按 24 一段段码成一张表：每行是一天，每列是一天里的第几个小时。神奇的事发生了——“昨天 14 点"和"今天 14 点”，在一维里隔着 24 个点很遥远，折成 2D 后却上下紧挨在同一列。于是普通的 2D 卷积核（本就擅长看"上下左右邻居"）一扫，就同时抓到了两种规律：横向看到一天内的走势（周期内），纵向看到同一时刻的日复一日变化（周期间）。TimesNet 只是把 CNN 在图像上的看家本领，借这一"折叠"搬到了时序上。

# 概念骨架：找周期 → 折成 2D → 2D 卷积 → 融合deffind_periods(x,k=3):# x: (batch, length, channels)amp=torch.fft.rfft(x,dim=1).abs().mean(0).mean(-1)amp[0]=0# 屏蔽直流分量（整体均值）top=amp.topk(k).indices# 取能量最强的 k 个频率return[x.shape[1]//int(i)foriintop]# 频率 → 周期长度# 对每个 period：reshape 成 (batch, n_periods, period, C) 的 2D 图# → 2D Inception 卷积 → reshape 回 1D → 按 FFT 幅值加权求和

一个漂亮的副产品：TimesNet 是通用骨架，同一套结构能做预测、分类、异常检测、缺失填补，不只是预测。

三、两种卷积，怎么选

参考量级：TimesNet 在多个公开 benchmark（含 ETT 系列）上表现亮眼，是一段时间的 SOTA。但它计算不轻，而且——先剧透一个反转：下一批模型里，会有个简单到离谱的线性模型（DLinear）在长序列预测上把一众复杂模型（包括这类）打得很难看。所以别急着膜拜复杂度，TCN 这种简单高效的基线，永远值得先试。

小结

• TCN用因果卷积（不偷看未来）+膨胀卷积（空洞扩大感受野）处理序列，可并行、比 RNN 快、是强基线；
• TimesNet的洞见是多重周期：用 FFT 找周期，把 1D 序列折叠成 2D，用二维卷积同时抓周期内和周期间的变化，还是通用骨架；
• 选择上：先上 TCN 这种轻量基线，复杂如 TimesNet 虽强但重，未必总是最优。

卷积和循环都讲过了，接下来登场的是这几年最耀眼的主角——注意力机制与 Transformer。它凭什么横扫 NLP，搬到时序上又会水土不服在哪？下一篇揭晓。

思考题：TimesNet 靠 FFT 找周期来折叠。如果一个序列几乎没有明显周期（比如纯随机游走），这个"折叠成 2D"的思路还成立吗？会退化成什么？

卷积流派讲完了。下一篇迎来重头戏 Transformer，看注意力机制如何重塑时序预测。