لقد حققت نماذج التعلم العميق تحسينات كبيرة في الأداء في تنبؤ السلاسل الزمنية مؤخرًا. نقدّم نموذجًا مبنيًا على الشبكة العصبية التلافيفية (CNN) يتميز بالدقة العالية والبنية البسيطة، والذي يحتوي على طبقة تلافيفية واحدة فقط، ويُسمّى WinNet، ويتضمن ما يلي: (أ) كتلة تقسيم النافذة الفرعية لتحويل السلسلة إلى تمثيل ثنائي الأبعاد (2D tensor)، (ب) آلية التنبؤ المزدوجة لالتقاط التغيرات قصيرة وطويلة المدى، (ج) كتلة التحليل الهجين ثنائي الأبعاد (TDD) لتفكيك التمثيل الثنائي الأبعاد إلى مكونات الاتجاه والدورية بهدف القضاء على عدم الاستقرار، (د) كتلة الارتباط التحليلي (DCB) للاستفادة من الارتباط بين مكونات الاتجاه والدورية من خلال طبقة تلافيفية. أظهرت النتائج على ثمانية مجموعات بيانات معيارية أن WinNet يمكنه تحقيق أداءً من الدرجة الأولى (SOTA) مع تعقيد حسابي أقل مقارنةً بالطرق القائمة على CNN وMLP وTransformer. سيتم إتاحة الشيفرة المصدرية على: https://github.com/ouwen18/WinNet.