关于 TIMESNET: TEMPORAL 2D-VARIATION MODELINGFOR GENERAL TIME SERIES ANALYSIS

本文链接：https://blog.youkuaiyun.com/BIZZARRE/article/details/131055380

文章探讨了TIMESNET论文中关于时间序列建模的新方法，即通过FFT找到周期并reshape来捕捉周期性信息。作者在阅读代码时发现reshape操作可能与原论文叙述不符，提出了可能的误解，并展示了不同reshape方式对卷积效果的影响，引发对代码正确性的讨论。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.前言

笔者最近在阅读TIMESNET这篇论文，但在阅读代码的过程中发现了一些问题，其在reshape的细节上可能与原论文的叙述出现了一些偏差，不知道是不是笔者本人的误解，故记录，与供感兴趣的同学进一步探讨。

2.简介

本文是ICLR2023的一篇论文，主要是提出了一种新的时间建模思路，即将一维的时间序列通过快速傅里叶变换求得多个周期（根据频域峰值确定周期），然后将原始的一维时间序列reshape成二维的周期序列，如：一个10帧的时间序列，求得周期为2，则将其reshape成一个[2,5]的时间序列，这样就可以使用二维的卷积核捕捉周期内的信息，以及周期间的信息。而传统的一维卷积核，只能聚合相邻帧之间的信息，无法实现对周期性信息的建模。文章在多种时间序列任务上均取得了不错的效果，且笔者觉得思路非常有趣，具体的细节值得各位亲自阅读，这里不再赘述。

3.代码的一处细节疑问

根据论文作者给出的开源代码，笔者进一步进行了研究，发现在/model/TimesNet.py内有这样一处：

# reshape
out = out.reshape(B, length // period, period, N).permute(0, 3, 1, 2).contiguous()
# 2D conv: from 1d Variation to 2d Variation
out = self.conv(out)

其中，out 是输入的时间序列，B 为 batch，length 为时间序列长度，period