La conception de modèles efficaces pour l’apprentissage de représentations de séries temporelles constitue une base fondamentale pour l’analyse des séries temporelles. De nombreuses études antérieures se sont penchées sur les approches de modélisation des représentations de séries temporelles et ont progressé dans ce domaine. Malgré leur efficacité, ces méthodes manquent d’une perception adaptative des motifs locaux dans les unités fondamentales dépendantes du temps, et échouent à capturer les dépendances multi-échelles entre ces unités. À la place de s’appuyer sur les méthodes courantes centrées sur les mécanismes d’attention auto-attentionnelle, nous proposons ConvTimeNet, un modèle hiérarchique purement convolutif conçu spécifiquement pour l’analyse des séries temporelles. ConvTimeNet introduit une couche de patch déformable, qui perçoit de manière adaptative les motifs locaux des unités fondamentales dépendantes du temps de manière pilotée par les données. À partir des motifs locaux extraits, des blocs convolutifs purs hiérarchiques sont conçus pour capturer les relations de dépendance entre les représentations des unités fondamentales à différentes échelles. En outre, un mécanisme à noyau large est employé afin de garantir que les blocs convolutifs puissent être empilés profondément, permettant ainsi d’élargir significativement le champ réceptif. Ainsi, les motifs locaux et leurs dépendances multi-échelles peuvent être efficacement modélisés au sein d’un même modèle. Des expériences étendues comparant une large variété de modèles de différents types démontrent que les modèles purement convolutifs conservent une forte viabilité, résolvant efficacement les deux défis mentionnés et offrant des performances supérieures sur plusieurs tâches. Le code source est disponible pour assurer la reproductibilité.