Appearance
DLinear 收束
1. 端到端流程图
T = seq_len，P = pred_len，C = enc_in
2. tensor 变化汇总表
| 步骤 | 操作 | shape 变化 | toy shape |
|---|---|---|---|
| 输入 | x_enc | — | (2, 6, 3) |
| series_decomp | moving_avg + 残差 | 不变 × 2 | (2,6,3) × 2 |
| permute | (B,T,C)→(B,C,T) | 轴 1↔2 交换 | (2,3,6) |
| Linear_Seasonal | seq_len→pred_len | 最后维 6→2 | (2,3,2) |
| Linear_Trend | seq_len→pred_len | 最后维 6→2 | (2,3,2) |
| 相加 | element-wise | 不变 | (2,3,2) |
| permute | (B,C,P)→(B,P,C) | 轴 1↔2 交换 | (2,2,3) |
| 截取 | [:,-pred_len:,:] | 不变（已是pred_len） | (2,2,3) |
3. 各文档覆盖范围
| 文档 | 覆盖代码 | 关键 tensor |
|---|---|---|
| 01-Layer0-接入界面 | Config + __init__ + _process + forward 分支 | (B,seq_len,C) 进入模型 |
| 02-Layer1-encoder主链 | encoder() 完整流程 | (B,T,C)→(B,C,T)→(B,C,P)→(B,P,C) |
| 03-Layer2-series_decomp | moving_avg + series_decomp | (B,T,C)→seasonal+trend (B,T,C) |
4. DLinear 核心设计决策
| 决策 | 做法 | 为什么 |
|---|---|---|
| 序列分解 | moving_avg + 残差 | 让每路 Linear 只处理单一模式（趋势/季节），降低拟合难度 |
| permute 包裹 Linear | (B,T,C)→(B,C,T)→Linear→(B,C,P) | nn.Linear 只作用于最后维，需要把时间轴移到最后 |
| individual=False | 所有变量共享一套线性头 | 参数少，训练快，对多变量数据有正则化效果 |
| 权重初始化为 1/seq_len | torch.ones * (1/seq_len) | 相当于初始化为"对历史均匀加权的均值预测"，是合理的起点 |
| 丢弃 x_dec / x_mark | forward 只用 x_enc | DLinear 不需要 decoder，框架接口统一但模型自由选用 |
5. 与同类模型对比
| 维度 | DLinear | Informer | PatchTST |
|---|---|---|---|
| 核心操作 | 线性层 | ProbSparse Attention | Patch + Full Attention |
| 序列分解 | ✓ moving_avg | ✓ Autoformer-style | ✗ |
| channel-independent | 可选 | ✗ | ✓ 强制 |
| 参数量 | 极小（2×seq_len×pred_len） | 大 | 中等 |
| 计算复杂度 | O(T) | O(T log T) | O(T/P)² |
6. 下一步读什么
- iTransformer：把 DLinear 的"变量独立"思路推进一步，在变量维做注意力
- TimesNet：把 1D 时序变换为 2D 来做 CNN，与 DLinear 的线性思路形成对比