基于双向时序卷积网络与双向门控循环单元(BiTCN-BiGRU)混合模型的时间序列预测（Matlab源码）

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

1. 数据读取：从Excel文件读取单列时间序列数据
2. 序列构造：data_process函数按24步长构造样本(前24时刻→第25时刻)
3. 数据集划分：70%训练集，30%测试集
4. 数据归一化：mapminmax归一化到[0,1]范围
5. 格式转换：转换为cell数组格式用于序列网络

模型构建阶段

6. BiTCN构建：创建双向时序卷积网络提取局部特征
7. BiGRU构建：添加双向GRU层捕捉长期依赖
8. 特征融合：拼接双向GRU输出
9. 输出层：全连接层+回归输出层

训练预测阶段

10. 模型训练：使用Adam优化器训练混合网络
11. 序列预测：对训练集和测试集进行预测
12. 结果反归一化：恢复原始数据尺度
13. 性能评估：计算MAE、RMSE、MAPE等指标
14. 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(局部特征提取) → BiGRU(时序依赖建模) → 全连接层 → 预测输出

网络结构细节

• BiTCN部分：1个残差块，包含正向和反向TCN支路
• BiGRU部分：正向GRU + 反向GRU(通过FlipLayer实现)
• 特征融合：concatenationLayer拼接双向特征
• 输出回归：单神经元全连接层输出预测值

4. 公式原理

TCN膨胀卷积

$$y[t]=\sum (x[t-d\cdot k]\times w[k])+b$$
$$其中：d=2^0=1(numBlocks=1时的膨胀因子)$$

GRU门控机制

$$更新门：z_t=\sigma (W_z\cdot [h_{t-1},x_t])$$

$$重置门：r_t=\sigma (W_r\cdot [h_{t-1},x_t])$$

$$候选状态：{\tilde{h}}_t=tanh(W\cdot [r_t\odot h_{t-1},x_t])$$

$$最终状态：h_t=(1-z_t)\odot h_{t-1}+z_t\odot {\tilde{h}}_t$$

双向机制

• 正向处理：从序列开始到结束
• 反向处理：通过FlipLayer翻转序列，从结束到开始
• 特征拼接：concat(in1, in2)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 = 1：TCN残差块数量(简化结构)
• NumNeurons = 25：BiGRU隐藏单元数
• dropoutFactor = 0.1：空间丢弃率

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 = 0.0001：L2正则化系数
• 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
• 内存需求取决于序列长度和批量大小
• 支持修改为’gpu’以利用GPU加速

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

1. 气象预报：温度、湿度、气压等气象参数预测
2. 能源负荷预测：电力、燃气等能源消耗预测
3. 工业过程控制：设备运行参数监控与预测
4. 金融时间序列：股价、汇率、商品价格预测
5. 交通流量预测：道路车流、公共交通客流量预测
6. 环境监测：空气质量指数、水质参数预测

技术优势

• 多尺度特征提取：TCN捕捉局部模式，GRU处理长期依赖
• 双向信息利用：同时考虑前后文信息提高预测精度
• 端到端训练：整个网络联合优化，无需手动特征工程
• 因果性保证：Padding="causal"确保预测不泄露未来信息

适用条件

• 数据具有明显的时间依赖性
• 序列长度适中(本代码为24步历史数据)
• 预测目标与历史数据存在相关性
• 数据量足够支持深度学习训练

完整源码基于双向时序卷积网络与双向门控循环单元(BiTCN-BiGRU)混合模型的时间序列预测（Matlab源码）