摘要
近年来，深度学习模型在时间序列预测任务中取得了显著的性能提升。本文提出了一种高精度且结构简洁的基于卷积神经网络（CNN）的模型——WinNet，该模型仅包含一个卷积层，其核心设计包含以下四个关键组件：(i) 子窗口划分模块（Sub-window Division block），用于将时间序列转换为二维张量；(ii) 双重预测机制（Dual-Forecasting mechanism），用于捕捉序列的短期与长期变化特征；(iii) 二维混合分解模块（Two-dimensional Hybrid Decomposition, TDD），用于将二维张量分解为趋势项与季节项，以消除非平稳性；(iv) 分解相关性模块（Decomposition Correlation Block, DCB），通过卷积层挖掘趋势项与季节项之间的相关性。在八个基准数据集上的实验结果表明，WinNet在预测精度上达到当前最优（SOTA）水平，同时相较于基于CNN、MLP和Transformer的方法，具有更低的计算复杂度。代码已开源，地址为：https://github.com/ouwen18/WinNet。