Les modèles d’apprentissage profond ont récemment atteint des progrès significatifs en termes de performance dans la prévision de séries temporelles. Nous proposons un modèle basé sur un réseau de neurones convolutif (CNN), très précis et à structure simple, comprenant une seule couche convolutive, appelé WinNet, qui intègre : (i) un bloc de division en sous-fenêtres pour transformer la série temporelle en tenseur 2D, (ii) un mécanisme de prévision dual afin de capturer à la fois les variations à court et à long terme, (iii) un bloc de décomposition hybride bidimensionnelle (TDD) pour décomposer le tenseur 2D en composantes de tendance et saisonnière, afin d’éliminer la non-stationnarité, et (iv) un bloc de corrélation de décomposition (DCB) qui exploite la corrélation entre les composantes de tendance et saisonnière à l’aide d’une couche convolutive. Les résultats obtenus sur huit jeux de données standards démontrent que WinNet atteint une performance SOTA (state-of-the-art) tout en présentant une complexité computationnelle plus faible que les méthodes basées sur CNN, MLP et Transformers. Le code sera disponible à l’adresse suivante : https://github.com/ouwen18/WinNet.