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

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 为文中方法计算的周期，length // period 则为一个周期的长度，N为通道数。不难发现，reshape 后形为[B, N, length // period，period]，为了方便理解，我们省去B，并做一个简单的模拟，看一看结果。

   首先，我们模拟一个[3,10]的信号，表示3通道，10帧的一个时间序列：

 图1. 模拟信号

  假设我们算出周期为2，则应reshape为 [3,5,2]:

 图2. reshape之后的信号

图1表明了，第一个通道上这个时间序列的顺序是0.7138, 0.5638, 0.0741, 0.3191, 0.2234, 0.9412, 0.7298, 0.6380, 0.7597,0.3348，那根据原论文的意思，笔者理解为应该reshape为[3,2,5]:

 图3. 笔者认为的reshape方法

因为，如果想建立周期内的信息和周期间的信息，比如说我用一个2*2的卷积核，是不是应该扫过第1、2和第6、7帧，因为对于上述例子，第1帧和第6帧分别是两个周期的开始，论文是希望建立这两者的连接，但是如果按照作者给出的代码，得到图2的reshape结果，是否在卷积核扫过的时候，包括在内的是第1、2、3、4帧，这样的卷积方式，似乎跟一维的TCN没有什么区别。

不知道是笔者理解错误还是代码出现了一些瑕疵，期待各位探讨指正。