摘要

深度学习方法在长期时间序列预测任务中展现出显著优势，但往往难以在表达能力与计算效率之间取得平衡。尽管采用多层感知机（MLP）可作为一种折中方案，但其固有的逐点映射机制仍带来两大关键问题：上下文依赖关系不足，以及信息瓶颈机制不充分。为此，本文提出一种新型网络结构——粗化感知机网络（Coarsened Perceptron Network, CP-Net），其核心在于引入一种粗化策略，通过将孤立的时间点聚合为信息粒（information granules），有效缓解了传统MLP所面临的问题。CP-Net采用两阶段框架，主要用于提取语义与上下文模式，能够在更长的时间跨度上保持相关性，同时抑制高频噪声的干扰。进一步地，通过引入多尺度结构，不同粒度的模式被融合，从而实现更全面的预测。CP-Net完全基于结构简洁的卷积操作构建，不仅保持了线性计算复杂度和较低的运行时开销，且在七个主流预测基准上相较当前最优方法（SOTA）实现了4.1%的性能提升。