模型架构：GCN-TCN-Transformer 回归模型
-
GCN 模块：深度空间特征提取与交互
该模型首先引入图卷积网络（GCN），将输入特征之间的潜在关系建模为图结构，利用邻接矩阵定义特征节点的连接强度。通过多层图卷积操作，每个特征节点动态聚合其邻居节点的信息，生成富含局部上下文的高维嵌入表示。这一过程使模型能够捕捉特征间深层的、非线性的空间依赖模式，超越传统方法对特征独立处理的局限，显著提升对复杂结构数据的表征能力。
-
TCN 模块：高效局部时序建模与特征演化捕捉
经 GCN 提取的空间特征沿时间维度形成序列，并输入至时序卷积网络（TCN）模块。TCN 采用因果卷积与膨胀卷积（Dilated Convolutions）相结合的设计，在保持时序因果性的前提下，高效捕捉时间序列中的局部依赖与短期动态模式。其并行计算架构使训练速度优于循环神经网络（RNN），同时通过堆叠膨胀卷积层逐步扩大感受野，以较少参数覆盖较长时间区间，有效缓解梯度消失问题，强化对近期演变规律的建模能力。
-
Transformer 模块：全局长程时序依赖融合
为进一步捕捉时间序列中的长距离依赖，TCN 输出被送入 Transformer 编码器。借助其核心的自注意力（Self-Attention）机制，模型能够在每个时间步同时评估并整合全序列所有位置的信息，从而识别跨远距离的时序关联与全局模式。该模块弥补了 TCN 在超长序列上感受野有限的不足，实现从局部到全局的多尺度时间特征融合。最终，GCN、TCN 与 Transformer 三者协同，形成"空间 -- 局部时间 -- 全局时间" 三重维度的高效建模体系。
系统功能流程
- 数据处理与加载
支持常见表格数据格式（CSV / Excel），具备灵活的数据接口；
内置数据标准化与归一化模块，确保输入尺度一致，提升训练稳定性；
支持时序-图结构数据的构建与批加载，适配模型输入需求。
- 模型训练与对比
完成 GCN-TCN-Transformer 混合模型的端到端训练；
可选择与基线模型（如纯 TCN、LSTM、GRU 等）进行性能对比；
提供训练过程监控与检查点保存，便于调优与回溯。
- 性能评估与可视化
指标输出：回归任务核心评价指标，包括 MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）与 R² 分数；
结果对比：生成训练集与测试集性能对比表格，直观反映模型泛化能力；
可视化分析：
训练损失与验证损失曲线对比图，追踪模型收敛过程；
预测值与真实值散点图（配合理想拟合线），评估预测一致性及系统偏差。
- SHAP 可解释性分析
全局解释：
特征重要性条形图：基于 SHAP 值量化各特征对预测结果的平均影响幅度与方向（正/负贡献）；
SHAP 蜂巢图（Beeswarm Plot）：展示特征取值与 SHAP 值之间的分布关系，揭示特征-目标之间可能存在的非线性关联与边际效应变化。
局部解释：
支持对任意单一样本的预测结果进行归因分析，通过力导向图或条形图展示各特征对该特定预测的贡献度，提升模型决策透明度。
方案优势
建模全面：融合空间图结构、局部时序与全局时序依赖，适用于具有复杂时空关联的回归任务；
解释性强：借助 SHAP 提供全局与局部双重解释，增强模型可信度与调试依据；
端到端实现：覆盖从数据预处理、模型训练、评估到解释分析的全流程，提供完整可复现的预测分析解决方案。