Temporal Convolutional Networks (TCN) 是一種基於時間卷積神經網路的多變數時間序列預測方法。它通過在時間維度上使用卷積操作來提取信息，從而捕捉時間序列數據中的時序關係和長期依賴關係。TCN網路由多個卷積層組成，每個卷積層包含多個卷積核，這些卷積核在時間維度上滑動以提取不同時間視窗的特徵。TCN採用了一種稱為「膨脹卷積」的技術，通過在時間維度上引入膨脹因子，使得每個卷積核能夠捕捉不同時間跨度的特徵，同時不增加網路參數和計算複雜度。此外，TCN還使用了因果卷積，確保輸出僅依賴於當前和過去的信息，不依賴於未來的信息。為了減少網路過深導致的梯度消失問題，TCN引入了殘差連線，類似於ResNet網路的設計，通過這種方式，TCN能夠在保持梯度流動的同時，提高網路的訓練效率和性能。
TCN的主要優點包括：
並行計算能力：由於卷積操作的特點，TCN可以並行處理輸入序列，提高訓練和評估的效率。
靈活的感受野大小：通過堆疊卷積層、使用不同的膨脹因子或增加濾波器大小，TCN能夠適應不同的任務和領域，同時控制模型的記憶體大小。
低訓練記憶體需求：與LSTM或GRU相比，TCN在處理長輸入序列時對記憶體的需求較低。
梯度穩定性：TCN避免了RNN中的梯度爆炸和梯度消失問題，提供更穩定的訓練過程。
TCN在多變數時間序列預測問題中具有廣泛的套用潛力，例如股票價格預測、交通流量預測、氣象數據預測等領域。通過使用適當的損失函式（如均方誤差）和反向傳播算法，TCN網路可以逐漸學習到時間序列數據的特徵和模式，實現準確的多變數時間序列預測。