时间卷积网络：时间序列的下一场革命？

TCN是指时间卷积网络，一种新型的可以用来解决时间序列预测的算法。

该算法于2016年由Lea等人首先提出，当时他们在做视频动作分割的研究，一般而言此常规过程包括两个步骤：首先，使用（通常）对时空信息进行编码的CNN来计算低级特征，其次，将这些低级特征输入到使用（通常是）捕获高级时域信息的分类器中）RNN。这种方法的主要缺点是需要两个单独的模型。

TCN提供了一种统一的方法来分层捕获所有两个级别的信息。

自从TCN提出后引起了巨大反响，有人认为：时间卷积网络（TCN）将取代RNN成为NLP或者时序预测领域的王者。

DataScienceCentral 的编辑主任William Vorhies给出的原因如下：

RNN耗时太长，由于网络一次只读取、解析输入文本中的一个单词（或字符），深度神经网络必须等前一个单词处理完，才能进行下一个单词的处理。这意味着 RNN 不能像 CNN 那样进行大规模并行处理；并且TCN的实际结果也要优于RNN算法。

编码器-解码器框架如下图所示，TCN可以采用一系列任意长度并将其输出为相同长度。在使用一维完全卷积网络体系结构的情况下，使用因果卷积。一个关键特征是，时间t的输出仅与t之前发生的元素卷积。

 

随着Yan等人(2020)最近发表的有关TCN用于天气预报任务的研究成果，有关TCN的讨论甚至登上了《自然》杂志。在他们的工作中