Kürzlich haben tiefes Lernen-Modelle erhebliche Leistungsverbesserungen in der Zeitreihenprognose erzielt. Wir stellen ein hochgenaues und einfach strukturiertes, auf CNN basierendes Modell mit lediglich einer konvolutionellen Schicht vor, das WinNet genannt wird und folgende Komponenten enthält: (i) Ein Sub-Fenster-Teilungs-Block zur Transformation der Zeitreihe in einen 2D-Tensor, (ii) ein Dual-Forecasting-Mechanismus zur Erfassung sowohl kurz- als auch langfristiger Variationen, (iii) ein zweidimensionales hybrides Zerlegungs-Block (TDD), um den 2D-Tensor in Trend- und Saisonkomponenten zu zerlegen und so die Nichtstationarität zu beseitigen, sowie (iv) einen Zerlegungs-Korrelations-Block (DCB), der mithilfe einer Konvolutionsschicht die Korrelation zwischen Trend- und Saisonkomponenten nutzt. Ergebnisse auf acht Benchmark-Datensätzen zeigen, dass WinNet eine SOTA-Leistung erzielt und gleichzeitig eine geringere Rechenkomplexität im Vergleich zu CNN-, MLP- und Transformer-basierten Methoden aufweist. Der Quellcode wird unter folgender URL verfügbar sein: https://github.com/ouwen18/WinNet.