---
title: "時間卷積網路（Temporal Convolutional Network）"
slug: temporal-convolutional-network
language: zh-TW
source: https://aiterms.tw/terms/temporal-convolutional-network
updated_at: 2026-06-23
tags: [深度學習, 時序分析, 機器學習, AI應用]
ipas_term: false
---

# 時間卷積網路（Temporal Convolutional Network）

使用擴張卷積取代遞迴層捕捉時序依賴的網路架構，支援高度並行化。

## 完整說明

時間卷積網路（TCN）是一種用卷積層而非遞迴層處理序列資料的架構。TCN通過擴張卷積（dilated convolution）和殘差連接，在保持計算效率的同時捕捉長期時間依賴。相比LSTM/GRU的遞迴性質，TCN天然支持完全並行化，訓練和推理速度更快。研究表明TCN在多數序列建模任務上性能與RNN相當或更優，特別是在時序預測、語言建模和機器翻譯中。

## 常見問題

### TCN如何確保因果性？

因果性確保預測t時刻的值時只使用t及之前的資料。TCN通過因果填充實現：在卷積前在輸入序列的開頭填充足夠的零，使得卷積核永遠不會向前看。例如，kernel_size=3且dilation_rate=2時，在時間軸前方填充2個時間步驟的零，卷積輸出的t位置只對應輸入的0到t。這與標準卷積的對稱填充不同，確保了真正的因果性。

### 為什麼說TCN的並行性更好？

LSTM/GRU必須按時間順序計算，t時刻的輸出依賴t-1時刻的隱藏狀態，無法並行。TCN使用卷積，每個時刻的計算不依賴其他時刻（給定輸入），天然支持在時間維度的並行化。在GPU上，可以同時計算序列中多個時刻的卷積，而RNN必須逐個計算。這使TCN的訓練和推理速度快3-10倍，特別是在長序列上。

### TCN的感受野是固定的還是動態的？

TCN的感受野是固定的，由網路架構（層數和擴張係數）決定。例如，一個8層的TCN，擴張係數為[1,2,4,8,16,32,64,128]，最後一層的感受野固定為255。這與LSTM形成對比，LSTM的有效感受野是動態的，模型可以學習有選擇性地關注近期或遠期信息。對於感受野需要動態調整的任務，LSTM/GRU可能更適合；對於感受野已知或固定的任務，TCN的預定義感受野優勢明顯。

---

來源：https://aiterms.tw/terms/temporal-convolutional-network
快查頁：https://aiterms.tw/terms/temporal-convolutional-network
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-temporal-convolutional-network