DLinear 论文原理与代码桥接

Abstract

这篇不是主线文档。

它只做一件事：

把 DLinear 论文里的核心直觉，挂回当前代码链。

1. 论文第一性

DLinear 的第一性可以压成一句话：

不用复杂注意力机制，先把序列拆成 trend / seasonal，再对这两部分分别做最简单的线性外推。

它要表达的立场是：

• 复杂结构不一定总是必要
• 对时间序列预测，强 baseline 可以来自更简单的归纳偏置

2. 论文直觉怎么挂回当前代码

2.1 分解思想

论文里：

• 先做序列分解

代码里：

• 04A-series_decomp与moving_avg
• series_decomp(kernel_size)

2.2 trend / seasonal 分开预测

论文里：

• 两部分分别建模

代码里：

• 04B-SeasonalTrend线性头
• Linear_Seasonal
• Linear_Trend

2.3 线性预测是核心，不是附属

论文里：

• 线性层不是随便加一下，而是主预测器

代码里：

• nn.Linear(self.seq_len, self.pred_len)
• 直接把历史长度映射到未来长度

3. 和 Informer 的对照

Informer 的论文主线是：

• ProbSparse attention
• distilling
• generative decoder

DLinear 的论文主线是：

• decomposition
• seasonal/trend split
• linear extrapolation

所以 DLinear 的价值不是“更复杂”，而是：

提供一个结构极简、但很有竞争力的 forecasting baseline。

4. 当前最该记住的映射

论文术语	当前代码对象	文档
series decomposition	series_decomp	04A-series_decomp与moving_avg
trend	moving_mean	04A-series_decomp与moving_avg
seasonal	x - moving_mean	04A-series_decomp与moving_avg
linear prediction	Linear_Seasonal / Linear_Trend	04B-SeasonalTrend线性头
final forecast	seasonal_output + trend_output	04B-SeasonalTrend线性头