TCN（Temporal Convolutional Network）是一种用于处理序列数据的深度学习模型，最初由 Bai， Kolter 和 Kurtzfarb 在其论文中提出，旨在解决时间序列预测、序列标注等问题。与传统的循环神经网络（RNN）和长短期记忆网络（LSTM）不同，TCN使用卷积神经网络（CNN）来处理时间序列数据。

1. 网络结构 

• 时间卷积层： TCN 通过一维卷积层来捕获序列中的时间依赖性。使用卷积层可以有效地处理长序列数据，避免了 RNN 中的梯度消失和爆炸问题。

• 因果卷积： TCN 使用因果卷积（causal convolution），确保模型在处理当前时间步时只能访问过去的信息，而不会“偷看”未来的信息。这对于时间序列预测是至关重要的。

• 膨胀卷积： TCN 中的卷积层可以通过膨胀卷积（dilated convolution）来扩展感受野，使得网络能够在较少的层数中捕获更长时间尺度的依赖关系。膨胀卷积的实现方法是在卷积核之间插入空洞，这样能有效增加感受野，同时保持计算量相对较小。

• 残差连接： 为了缓解深层网络中的梯度消失问题，TCN 通常会使用残差连接，以便在训练更深的网络时保持信息流。

 ​​​​​2.参数解释

• 过滤器（filter）：这是卷积层中应用的过滤器的数量，决定了该层输出的通道数。更多的过滤器能够学习到更多的特征。

• kernel_size：指卷积核的大小。在序列建模中，卷积核大小决定了每次看多少个时间步的数据。较大的卷积核可以捕捉到更宽的局部特征。

• dilation_rate：膨胀率用于控制卷积核的感受野，通过在卷积核元素之间引入间隔来实现。膨胀率越大，感受野就越大，从而能够捕捉到更长时间跨度的依赖关系。

• 举个例子：

• https://doi.org/10.1016/j.jenvman.2024.120967

• 第一层: 使用 8 个过滤器和卷积核大小为 3，膨胀率为 1，能够捕捉紧邻时间步的特征。
• 第二层: 再次使用 8 个过滤器，设置膨胀率为 2，能够扩展到捕捉与之前的特征之间有间隔的关系。
• 第三层: 输出通道数减少到 4，设置膨胀率为 4，能够进一步处理特征并捕捉长距离依赖。
• 最后一层设置了 4 个滤波器，那么不管输入的特征维度是多少，输出就会将通道数变换为 4，且时间维度（步数）不变，故输出矩阵的形状为 (10,4)
• TCN作用：提取到了时序中的关键特征，同时降低了数据的维度，更便于后续模块（如 Bi-LSTM、Attention 或全连接层）进行处理和预测。