一、研究背景
该模型结合了时序卷积网络（TCN）与双向门控循环单元（BiGRU），适用于处理具有时序依赖性或序列结构的多输入多输出回归问题。TCN 能捕捉长期依赖与局部特征，BiGRU 能学习序列的双向上下文信息。SHAP 值分析用于解释模型预测结果，增强模型的可解释性。
二、主要功能
- 多输出回归预测：输入5个特征，输出2个目标变量。
- 混合时序建模：TCN 提取时序特征，BiGRU 捕捉序列依赖。
- 模型可解释性分析：使用 SHAP 值评估特征重要性。
- 完整训练与评估流程：包括数据预处理、模型训练、预测、评估与可视化。
- 新数据预测：支持对新输入数据进行预测并输出结果。
三、算法步骤
- 数据导入与预处理：读取 Excel 数据，归一化处理。
- 数据集划分：按比例划分训练集与测试集，可选是否打乱样本。
- 模型构建：构建 TCN + BiGRU 的混合网络结构。
- 模型训练：使用 Adam 优化器进行训练，支持学习率衰减。
- 模型预测与反归一化：对训练集和测试集进行预测，并将结果还原为原始尺度。
- 性能评估：计算 RMSE、MAE、R² 等指标。
- 可视化分析：包括预测对比图、误差分布图、散点图等。
- SHAP 值计算：分析特征对预测结果的影响。
- 新数据预测：读取新数据并进行预测，输出结果至 Excel。
四、技术路线
- TCN 部分：采用因果卷积 + 膨胀卷积，层层叠加，构建残差连接。
- BiGRU 部分：双向 GRU 层，捕捉前向与后向序列信息。
- 融合方式：TCN 输出接入 BiGRU，BiGRU 输出经全连接层回归。
- 可解释性：使用 SHAP 值进行事后特征重要性分析。
五、公式原理
- TCN 膨胀卷积：
yt=∑k=1Kwk⋅xt−d⋅(k−1) y_t = \sum_{k=1}^{K} w_k \cdot x_{t - d \cdot (k-1)}yt=k=1∑Kwk⋅xt−d⋅(k−1)
其中 (d) 为膨胀因子。 - GRU 更新门与重置门：
zt=σ(Wz⋅[ht−1,xt]) z_t = \sigma(W_z \cdot [h_{t-1}, x_t])zt=σ(Wz⋅[ht−1,xt])
rt=σ(Wr⋅[ht−1,xt]) r_t = \sigma(W_r \cdot [h_{t-1}, x_t])rt=σ(Wr⋅[ht−1,xt]) - SHAP 值：基于合作博弈论，计算每个特征对预测的边际贡献。
六、参数设定
| 参数 | 设定值 | 说明 |
|---|---|---|
| TCN 层数 | 3 | 残差块数量 |
| 滤波器数量 | 32 | 每层卷积滤波器数 |
| 卷积核大小 | 5 | 卷积窗口长度 |
| BiGRU 隐藏单元 | 6 | 每方向 GRU 单元数 |
| 训练轮数 | 1000 | 最大迭代次数 |
| 初始学习率 | 0.01 | Adam 初始学习率 |
| 学习率衰减周期 | 800 | 每800轮衰减一次 |
| 衰减因子 | 0.1 | 学习率衰减比例 |
| 训练集比例 | 80% | 训练集占比 |
七、运行环境
- 平台：MATLAB（建议 R2020b 及以上）
- 工具箱：
- Deep Learning Toolbox
- Statistics and Machine Learning Toolbox（用于 SHAP 计算）
- 数据格式：Excel 文件（
.xlsx）
八、应用场景
- 时序预测：如电力负荷预测、股票价格预测、气象数据预测。
- 多输出回归：如多指标预测。
- 可解释性要求高的场景：如医疗诊断、金融风险评估、工业过程控制。
