时间卷积神经网络 (TCN) 是一种用于处理序列数据的神经网络架构，例如时间序列或事件序列。与传统的循环神经网络 (RNN) 逐步处理数据不同，TCN 使用卷积层来捕获跨时间的模式。核心思想是对输入序列应用一维卷积，使模型能够有效地学习局部和全局时间依赖关系。 TCN 特别适用于数据点的顺序和时间安排很重要的任务，例如预测、信号处理或异常检测。 它们避免了 RNN 的顺序计算瓶颈，从而可以通过并行化实现更快的训练。
TCN 的一个决定性特征是它们使用因果卷积，这确保了给定时间步的预测仅取决于过去的输入，而不是未来的输入。 这可以防止数据泄漏，并与实时预测场景保持一致。为了捕获长程依赖关系，TCN 通常包含膨胀卷积，其中过滤器以由膨胀因子控制的间隔跳过输入值。例如，膨胀因子为 2 意味着卷积运算跨越每隔一个时间步，从而有效地扩大了网络的“感受野”，而无需增加参数数量。此外，残差连接（借用自 ResNet 架构）通过允许梯度绕过层来帮助稳定更深层 TCN 中的训练。
TCN 应用于各种领域。在时间序列预测中，它们可以通过分析历史趋势来预测股票价格。对于音频处理，TCN 可以通过学习声波中的时间模式来消除语音信号的噪声。一个实际的实现细节是它们与标准深度学习框架（如 PyTorch 或 TensorFlow）的兼容性，在这些框架中，一维卷积层很容易获得。与 RNN 相比，由于并行计算和避免梯度消失问题，TCN 通常训练速度更快。但是，它们可能需要仔细调整内核大小和膨胀率，以平衡模型复杂性和性能。对于开发人员来说，TCN 提供了一种灵活的序列模型替代方案，尤其是在延迟或计算效率是首要任务时。