【1. 概要】
论文针对的是时序预测问题（Time series forecasting，TSF），根据时间序列的特点创新性地提出了一个多层的神经网络框架sample convolution and interaction network（SCINet）用于时序预测。模型在多个数据集上都展示了其准确率上的优越性，且时间成本相对其他模型（如时序卷积网络TCN）也更低。本篇论文工作包含以下几点：
- 说明了TCN不适合解决TSF问题，尤其是其中的因果卷积对模型准确率反而有负面影响
- 基于时间序列的独特性提出了一个多层TSF框架SCINet，通过计算permutation entropy（PE）可以证明新的模型有更强的预测能力
- 构造了SCINet的基本块SCI-Block，它将输入的数据/特征下采样为两个子序列，然后使用不同的卷积滤波器提取每个子序列特征以保留不同特征的信息。同时为了减少下采样过程中信息丢失造成的影响，在每个SCI-Block中加入了两个序列间卷积特征的学习。
【2. 知识梳理】
【2.1. 模型梳理】
目前用于时间序列预测的主要有三类深度神经网络：
- RNNs及其变种（如LSTMs和GRUs）
- Transformer及其变种（如Reformer和Informer）
- TCNs
目前来看，TCN模型效果更好，并且可以与GNNs进行结合解决TSF（Time series forecasting）问题