ConvTimeNet：一种用于多变量时间序列分析的深度分层全卷积模型

设计有效的时序表征学习模型是时序分析的基础。尽管此前已有大量研究探索了时序表征建模方法，并在该领域取得了显著进展，但现有方法普遍缺乏对时序依赖性基本单元中局部模式的自适应感知能力，且难以捕捉这些单元之间的多尺度依赖关系。与依赖主流自注意力机制的方法不同，本文提出一种面向时序分析的分层纯卷积模型——ConvTimeNet。该模型引入可变形块（deformable patch）层，以数据驱动的方式自适应地感知时序依赖基本单元的局部模式。基于提取出的局部模式，设计了分层纯卷积模块，用以捕获不同尺度下基本单元表征之间的依赖关系。此外，引入大核卷积机制，确保卷积模块可深度堆叠，从而实现更大的感受野。通过这一结构，单一模型即可有效建模局部模式及其多尺度依赖关系。大量实验对比了多种不同类型模型的性能，结果表明，纯卷积模型依然具备强大的实用性，能够有效应对上述两个核心挑战，并在多个任务上展现出卓越的性能。相关代码已公开，以保障研究的可复现性。