最近、深層学習モデルは時系列予測において顕著な性能向上を達成している。本研究では、単一の畳み込み層のみを有するシンプルかつ高精度なCNNベースのモデル「WinNet」を提案する。本モデルは以下の4つの構成要素から構成される：(i) サブウィンドウ分割ブロック（Sub-window Division block）により時系列データを2次元テンソルに変換し、(ii) 短期・長期の変動を同時に捉えるための二重予測メカニズム（Dual-Forecasting mechanism）、(iii) 2次元ハイブリッド分解（TDD: Two-dimensional Hybrid Decomposition）ブロックにより、2次元テンソルをトレンド成分と季節成分に分解し、非定常性を低減し、(iv) 分解相関ブロック（DCB: Decomposition Correlation Block）により畳み込み層を用いてトレンド成分と季節成分間の相関関係を活用する。8つのベンチマークデータセットにおける実験結果から、WinNetはCNN、MLP、Transformerベースの手法と比較して、より優れたSOTA（最先端）性能を達成するとともに、計算複雑度を低減できることを示した。コードは以下のURLで公開される予定である：https://github.com/ouwen18/WinNet。