1. 主要功能
实现温度时间序列的多步预测，使用前24个时刻的温度数据预测第25个时刻的温度值，采用深度学习混合架构进行端到端训练。
2. 算法步骤
数据预处理阶段
- 数据读取：从Excel文件读取单列时间序列数据
- 序列构造 ：
data_process函数按24步长构造样本(前24时刻→第25时刻) - 数据集划分：70%训练集，30%测试集
- 数据归一化：mapminmax归一化到[0,1]范围
- 格式转换：转换为cell数组格式用于序列网络
模型构建阶段
- BiTCN构建：创建3个残差块的双向时序卷积网络
- 特征扁平化：通过flatten层转换特征维度
- GRU层添加：单层GRU捕捉时序依赖
- 输出层：全连接层+回归输出层
训练预测阶段
- 模型训练：使用Adam优化器训练混合网络
- 序列预测：对训练集和测试集进行预测
- 结果反归一化：恢复原始数据尺度
- 性能评估：计算MAE、RMSE、MAPE等指标
- 结果可视化：绘制预测对比图
3. 技术路线
混合架构设计
输入序列 → BiTCN(多尺度特征提取) → Flatten → GRU(时序建模) → 全连接层 → 预测输出网络结构特点
- 深层BiTCN：3个残差块，膨胀因子分别为1,2,4
- 单向GRU：相比前一个版本的BiGRU，这里使用单向GRU
- 简化架构：去掉复杂的双向GRU结构，保留核心特征提取能力
4. 公式原理
TCN膨胀卷积（多尺度）
对于第i个残差块：dilation = 2^(i-1)
输出[t] = ∑(输入[t - d·k] × 滤波器[k])
其中：d = 1, 2, 4 分别对应3个残差块GRU门控机制
更新门：z_t = σ(W_z · [h_{t-1}, x_t])
重置门：r_t = σ(W_r · [h_{t-1}, x_t])
候选状态：h̃_t = tanh(W · [r_t ⊙ h_{t-1}, x_t])
最终状态：h_t = (1 - z_t) ⊙ h_{t-1} + z_t ⊙ h̃_t双向TCN机制
- 正向TCN：处理原始序列的时间正向依赖
- 反向TCN：通过FlipLayer处理时间反向依赖
- 特征融合：在add层合并双向特征
5. 参数设定
网络结构参数
filterSize = 3：卷积核大小numFilters = 30：TCN滤波器数量numBlocks = 3：TCN残差块数量（深层结构）NumNeurons = 35：GRU隐藏单元数（比之前增加）dropoutFactor = 0.1：空间丢弃率
膨胀因子设置
- 第1块：dilation = 1（捕捉短期模式）
- 第2块：dilation = 2（捕捉中期模式）
- 第3块：dilation = 4（捕捉长期模式）
训练超参数
MaxEpochs = 150：最大训练轮数InitialLearnRate = 0.01：初始学习率LearnRateDropPeriod = 120：学习率衰减周期LearnRateDropFactor = 0.1：学习率衰减因子L2Regularization = 0.001：L2正则化系数（增大）GradientThreshold = 1：梯度裁剪阈值
6. 运行环境
软件要求
- MATLAB (主要运行环境)
- Deep Learning Toolbox (必需)
- 可能需要的其他工具箱：
- Statistics and Machine Learning Toolbox
- Neural Network Toolbox
硬件配置
ExecutionEnvironment = 'cpu'：指定CPU运行- 内存需求：由于网络更深(numBlocks=3)，需要更多内存
- 计算需求：3个残差块相比之前版本计算量增加
依赖文件
数据集.xlsx：输入数据文件data_process.m：数据预处理函数calc_error.m：误差计算函数FlipLayer.m：自定义翻转层(关键组件)
7. 应用场景
主要适用领域
- 气象预报：温度、湿度等气象参数的精确预测
- 能源管理：电力负荷、能源消耗的短期预测
- 工业物联网：设备运行参数监控与异常预警
- 金融科技：股价波动、交易量预测
- 环境监测：空气质量、水质参数的时序预测
- 交通管理：交通流量、拥堵指数的预测
技术优势
- 多尺度特征提取：3个不同膨胀因子的TCN块捕捉不同时间尺度的模式
- 深层网络结构：相比浅层网络能学习更复杂的特征表示
- 计算效率：TCN的并行计算优于纯RNN结构
- 因果性保证：确保预测不使用未来信息
适用条件
- 数据具有明显的时间序列特性
- 存在多时间尺度的依赖关系
- 序列长度适中(24步历史数据)
- 有足够的数据量支持深层网络训练
- 预测任务对精度要求较高
性能特点
- 深层BiTCN：通过3个残差块增强特征提取能力
- 平衡架构：在复杂度和性能间取得平衡
- 稳健训练：通过正则化和学习率调度防止过拟合
该模型特别适合需要捕捉复杂多尺度时间依赖的预测任务，深层BiTCN结构能够有效提取不同时间尺度的特征，结合GRU的序列建模能力，在保持较好预测性能的同时具有较好的计算效率。
完善代码基于双向时序卷积网络与门控循环单元(BiTCN-GRU)混合模型的时间序列预测MATLAB代码
