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（04-Level4-encoder全链精读.md §5）：

• series_decomp(kernel_size)：位于 layers/Autoformer_EncDec.py
• 内部先用 moving_avg 做滑动平均得到 trend，再用 x - trend 得到 seasonal

2.2 trend / seasonal 分开预测

论文里：

• 两部分分别建模

代码里（04-Level4-encoder全链精读.md §6）：

• Linear_Seasonal = nn.Linear(seq_len, pred_len) — 外推季节性成分
• Linear_Trend = nn.Linear(seq_len, pred_len) — 外推趋势成分
• 两者并行独立计算，最后相加

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	代码位置
series decomposition	series_decomp	layers/Autoformer_EncDec.py
trend	moving_mean（AvgPool1d 结果）	04-Level4 §5
seasonal	x - moving_mean	04-Level4 §5
linear prediction	Linear_Seasonal / Linear_Trend	04-Level4 §6
final forecast	seasonal_output + trend_output	04-Level4 §4 步骤4