Appearance
DLinear 总览与 Level 树
Abstract
这篇是
DLinear/目录的唯一总入口。它只做四件事：
- 固定当前真实运行例子
- 固定一个最小 toy 例子
- 给出从命令行到
DLinear.forward(...)的总顺序图和 Level 树- 说明后续每篇文档各自展开哪一部分
0. DLinear 是什么，为什么存在
0.1 背景困境
2021-2022 年，时间序列预测领域陷入一个奇怪的军备竞赛：
- Informer 用 ProbSparse Attention 降低 O(L²) → O(L log L)
- Autoformer 加 Auto-Correlation + 序列分解
- FEDformer 加频域分析
- 每篇论文都比前一篇复杂，都声称刷了 SOTA
困境：这些复杂模型，到底是因为 Transformer 结构好，还是因为用了序列分解或归一化这类通用技巧？
0.2 DLinear 的回答
ICLR 2023，Zeng et al. 发表 Are Transformers Effective for Time Series Forecasting?（LTSF-Linear）：
把复杂 Transformer 全去掉，只用一个线性层，加一点序列分解，居然打平甚至超过 Informer 等模型。
两个核心动作：
| 动作 | 做法 | 意义 |
|---|---|---|
| 序列分解 | x = trend + seasonal | 分离慢变化与快变化，让线性层只需处理各自的规律 |
| 独立线性外推 | Linear_Seasonal + Linear_Trend | 各自一个 nn.Linear(seq_len, pred_len)，直接映射历史→未来 |
0.3 这一套文档的学习目的
0. 当前学习这组 DLinear 文档的第一性
当前学习 DLinear，不是为了背一个简单模型名字，而是为了建立三种能力：
- 代码实现能力：知道一个最简单的 forecasting 模型怎样接到 TFB 里、怎样收输入、怎样吐输出。
- 实验运行能力：知道改
seq_len / pred_len / moving_avg / individual会影响哪里，能跑通最小实验。 - 模型对照能力：用 DLinear 这个最简单基线，分清哪些是 TFB 固定外壳，哪些是 Informer 这种复杂模型才额外引入的机制。
用最小模型建立"读模型代码 → 接框架 → 动代码 → 跑实验"的底座。
1. 当前真实运行例子
固定主线例子：
- 数据：
ETTh1.csv - 模型：
time_series_library.DLinear - adapter：
transformer_adapter - strategy：
rolling_forecast
关键参数：
| 参数 | 值 | 含义 |
|---|---|---|
seq_len | 96 | encoder 输入历史长度 |
label_len | 48 | decoder 已知段（DLinear 不使用，但 adapter 统一传入） |
horizon = pred_len | 24 | 预测步数 |
batch_size | 4 | 每批样本数 |
moving_avg | 25 | 滑动平均窗口大小，决定 trend 平滑程度 |
enc_in | 7 | ETTh1 特征数 |
individual | False | 所有变量共享一套 seasonal/trend 线性头 |
2. 贯穿所有文档的统一 toy 例子
Important
设计原则：
B ≠ seq_len ≠ enc_in ≠ pred_len ≠ moving_avg各维度互不相等，防止 permute/reshape 后 shape 看起来没变化而掩盖轴语义。
| 参数 | toy 值 | 真实值 |
|---|---|---|
B | 2 | 4 |
seq_len | 6 | 96 |
pred_len | 2 | 24 |
enc_in | 3 | 7 |
moving_avg | 3 | 25 |
individual | False | False |
toy 输入（encoder 侧，x_enc）：
python
# shape: (2, 6, 3) 即 (B=2, seq_len=6, enc_in=3)
x_enc[0] = [
[1.0, 10.0, 100.0], # t=0
[2.0, 11.0, 101.0], # t=1
[3.0, 12.0, 102.0], # t=2
[4.0, 13.0, 103.0], # t=3
[5.0, 14.0, 104.0], # t=4
[6.0, 15.0, 105.0], # t=5
]最终输出 shape：(2, 2, 3) 即 (B, pred_len, enc_in)
3. 总顺序图
4. 总抽象树
5. Level 到文档的映射表
| 层级 | 文档 | 解决的问题 | 入口 | 出口 |
|---|---|---|---|---|
| Level 1 | 01-Level1-配置进入DLinear | 命令行 → DLinear(config) | run_benchmark.py | model = DLinear(config) |
| Level 2 | 02-Level2-数据进入DLinear | batch → DLinear.forward(...) | _process(...) | DLinear.forward(x_enc,...) |
| Level 3 | 03-Level3-forward主链 | forward(...) 走哪条分支 | DLinear.forward(...) | forecast(x_enc) |
| Level 4 | 04-Level4-encoder全链精读 | encoder(x_enc) 全链 | encoder(x_enc) | (B, pred_len, C) |
6. 附录文档
| 文档 | 职责 |
|---|---|
| A1-参数速查 | 各参数控制哪个张量或模块 |
| A2-Torch函数解释 | AvgPool1d / permute 等函数补充说明 |
| A3-DLinear论文原理与代码桥接 | 论文动机与代码对应 |
| A4-学习目的与阅读建议 | 当前进度 + 下一步建议 |
7. 固定阅读顺序
主线（一轮读完）：
按需查阅：
- A2-Torch函数解释：AvgPool1d / permute 等
- A3-DLinear论文原理与代码桥接：论文映射
9. 只留一句
这组 DLinear 文档按"真实运行链 + Level 主树 + 必要附录"组织，所有 toy 例子使用统一参数（
B=2, seq_len=6, pred_len=2, enc_in=3, moving_avg=3），各维度互不相等，确保 permute/shape 变化可见。