Eu acho que por sinal 1D você quer dizer dados de séries temporais, onde você assume dependência temporal entre os valores. Nesses casos, as redes neurais convolucionais (CNN) são uma das abordagens possíveis. A abordagem de rede neural mais popular para esses dados é usar redes neurais recorrentes (RNN), mas você pode usar CNNs alternativamente ou abordagem híbrida (redes neurais quase recorrentes, QRNN), conforme discutido por Bradbury et al (2016) , e também ilustrado na figura abaixo. Também existem outras abordagens, como usar a atenção apenas, como na rede Transformer, descrita por Vaswani et al (2017) , em que as informações sobre o tempo são passadas através dos recursos da série Fourier .
Com o RNN , você usaria uma célula que toma como entrada o estado oculto anterior e o valor de entrada atual, para retornar a saída e outro estado oculto, para que as informações fluam pelos estados ocultos . Com a CNN, você usaria uma janela deslizante de alguma largura, com aparência de certos padrões (aprendidos) nos dados, e empilharia essas janelas umas sobre as outras, para que as janelas de nível superior procurassem padrões dentro do nível inferior padrões. O uso dessas janelas deslizantes pode ser útil para encontrar itens como padrões repetidos nos dados (por exemplo, padrões sazonais). As camadas QRNN combinam as duas abordagens. De fato, uma das vantagens das arquiteturas CNN e QRNN é que elas são mais rápidas que a RNN .