在时间序列预测领域中，模型的体系结构通常依赖于多层感知器(MLP)或Transformer体系结构。
基于mlp的模型，如N-HiTS, TiDE和TSMixer，可以在保持快速训练的同时获得非常好的预测性能。基于Transformer的模型，如PatchTST和ittransformer也取得了很好的性能，但需要更多的内存和时间来训练。
有一种架构在预测中仍未得到充分利用:卷积神经网络(CNN)。CNN已经应用于计算机视觉，但它们在预测方面的应用仍然很少，只有TimesNet算是最近的例子。但是CNN已经被证明在处理序列数据方面是有效的，并且它们的架构允许并行计算，这可以大大加快训练速度。
在本文中，我们将详细介绍了BiTCN，这是2023年3月在《Parameter-efficient deep probabilistic forecasting》一文中提出的模型。通过利用两个时间卷积网络(TCN)，该模型可以编码过去和未来的协变量，同时保持计算效率。
https://avoid.overfit.cn/post/ea66d229a5c041a6bd27af74205bdaee