目录数据输入方法创新点与原理①创新点一基于TCN-BiLSTM的多尺度时空特征联合提取架构②创新点二融合Self-Attention机制的自适应时序特征重标定策略③创新点三基于WMA智能算法的超参数自适应寻优五大参数模型流程结果展示全家桶目录完整代码获取方式先前给小伙伴们上架了多输入多输出回归预测全家桶里面已经包含了13种主流与小众的多输出回归模型多输入多输出预测全家桶来啦解决你的模型选择困难症论文随便水ELM、KELM、DBO-ELM多输入多输出预测上新多输入多输出全家桶更新啦COA-ESN、GA-BP、GRU三种小众经典多输入多输出回归模型上新多输入多输出全家桶更新啦不过之前的内容都是回归形式的多输入多输出模型一般来说回归的话会打乱数据集防止过拟合。今天我们推出了基于WMA-TCN-BiGRU-Attention时间序列多输入多输出模型。与之前的模型的不同之处在于这次的模型不会打乱数据集完全基于时间序列预测格式。对于有时间序列要求的数据集比如气象、交通、能源等等领域非常友好。同时为了增加创新点我们采用25年最新算法鲸鱼迁徙优化算法WMA对模型的参数进行自动寻优优化算法也可以自行替换成其他算法非常方便并且增加了验证集防止过拟合当然这个模型也是我们独家原创的在知网和WOS都搜不到您只需做的工作替换自己的数据运行main文件即可非常适合新手小白数据输入方法为了方便大家替换自己的数据集我们以一个经典的时间序列多输入多输出预测数据集为例。首先时间可放可不放因为程序不会识别时间各个变量采用特征1、特征2…表示无实际含义最后两列为输出即待预测的变量。更换自己的数据时几个输出变量只需放在最后几列即可前面的特征数量不限。比如你有10个特征4个输出变量只需把这4个变量放在最后4列前面10列放特征即可然后在代码里把outdim变量更改为4即可其余代码无需更改非常方便适合新手小白创新点与原理多输入多输出模型顾名思义在实际应用中许多系统和过程不仅受到多个因素的影响而且需要同时预测多个相关的输出。例如在环境监测中我们需要同时预测温度、湿度、空气质量等多个环境指标而我们有过去几天的历史温度、湿度、气压等数据。因此我们的输入变量就是过去几天的历史温度、湿度、气压因为这些气象参数会直接影响空气污染物的扩散和沉降而我们的输出则是温度、湿度、空气质量等多个环境指标。如果有小伙伴想要拿这个模型写论文这里的文字都是可以借鉴和参考的①创新点一基于TCN-BiLSTM的多尺度时空特征联合提取架构针对传统单一模型难以同时捕捉时间序列中局部短期模式和全局长程依赖的局限性我们创新性地构建了TCN-BiLSTM联合特征提取架构。TCN模块通过膨胀因果卷积在不增加参数量的前提下指数级扩大感受野高效提取局部时序特征。其膨胀因果卷积的计算过程为式中F(s)为卷积输出f(i)为卷积核参数d为膨胀因子本模型取d2(i−1)k为卷积核大小。同时TCN模块引入残差连接通过1×1卷积对齐通道维度有效缓解深层网络的梯度退化问题。在此基础上BiLSTM模块作为时序建模核心从前向和后向两个方向对序列建模充分利用上下文信息。其前向隐藏状态ht→和后向隐藏状态ht←的拼接输出为这种局部特征提取 双向时序建模的双层架构设计使模型能够以更全面的视角解析数据中的多尺度时空耦合关系为后续预测提供了高质量的特征表示基础。②创新点二融合Self-Attention机制的自适应时序特征重标定策略针对传统尽管TCN-BiLSTM架构能够提取丰富的时空特征但在时间步维度上不同时刻的特征贡献被平等对待这可能导致关键时刻的信息被稀释。为此我们引入了自注意力机制Self-Attention使网络能够自适应地聚焦于最具预测价值的时间步抑制冗余信息的干扰。自注意力机制的核心计算过程如下给定BiLSTM的输出序列H[h1,h2,...,hT]通过线性变换生成查询矩阵Q、键矩阵K和值矩阵V注意力权重通过缩放点积计算式中dk为键向量的维度除以根号dk起到缩放作用防止点积值过大导致softmax梯度消失。本模型采用多头注意力将注意力空间拆分为多个子空间并行计算最终拼接融合其中每个头headiAttention(QWQi,KWKi,VWVi)。经过注意力加权后通过全局平均池化层将序列特征压缩为固定长度的向量送入全连接层完成多输出回归预测。③创新点三基于WMA智能算法的超参数自适应寻优五大参数TCN-BiGRU-Attention模型的性能表现高度依赖其复杂的超参数组合。而传统的网格搜索或人工试错法在参数寻优时往往效率低下。为解决这一难题我们创新性地引入了鲸鱼迁徙优化算法WMA用来优化学习率、BiGRU神经元个数、L2正则化系数、滤波器个数、注意力机制头数五大参数。所有参数寻优过程均在验证集完成从而防止过拟合。鲸鱼迁徙优化算法WMA是发表于2025年的最新智能算法实验结果表明WMA算法在大部分测试函数上均取得了最优结果你先用你就是创新往期介绍该算法的推文如下2025年最新算法-鲸鱼迁徙优化算法(WMA)-公式原理详解与性能测评 Matlab代码免费获取模型流程1.数据导入与划分从Excel文件中读取原始数据集按6:2:2的比例依次划分为训练集、验证集和测试集。2.数据归一化采用Min-Max归一化方法将输入特征和输出标签统一映射到[0, 1]区间消除不同特征间的量纲差异。3.滑动窗口构造时间序列设定滑动窗口大小seq_len6将一维数据转换为具有时间步长的序列样本作为后续网络的输入格式。4.WMA优化算法寻优以验证集损失为适应度函数利用WMA优化算法在预设搜索空间内对学习率、隐藏层节点数、L2正则化系数、滤波器个数和注意力头数五个关键超参数进行全局寻优获取最优参数组合。5.构建TCN-BiLSTM-Attention网络模型基于最优超参数搭建完整网络——首先通过TCN残差块提取局部时序特征然后将其送入BiLSTM层从前向和后向两个方向捕捉长程时序依赖再经多头自注意力机制自适应加权各时间步的重要性最后通过全局平均池化层压缩序列特征经全连接层完成多输出回归预测。6.模型训练合并训练集与验证集使用Adam优化器按最优超参数配置训练最终模型。7.结果反归一化与评估将预测结果反归一化至原始尺度计算R²、RMSE、MAE、MSE、MAPE等指标并绘制预测对比图和线性拟合图评估模型性能。结果展示根据经验我们设置种群数量为6迭代次数为10时间窗口为6使用Adam 梯度下降算法划分60%为训练集20%为验证集20%为测试集展示一下模型运行结果。因为我的数据集是两个输出因此有两张预测效果图每张图对应一个预测变量并且分成上下同时显示训练集预测结果和测试集预测结果方便大家查看与对比~迭代曲线图线性拟合图网络结构图命令行窗口误差显示可以看到命令行窗口会直接显示最佳参数并且误差显示非常清晰每一个输出都会分别显示出对应的R2、MAE、MSE、MAPE而且本期推文的模型在这个数据集的精度上非常高两个输出精度均达到了95%以上。全家桶目录因此目前的全家桶已经包含了14种主流及小众模型包括优化算法优化的模型以及非优化算法的原始模型大家也可以自行尝试哪个模型更加匹配自己的数据集具体如下图片所示完整代码获取方式1.只想要文章中WMA-TCN-BiLSTM-Attention单品的同学可以查看链接原创模型25年最新WMA优化TCN-BiGRU-Attention时间序列多输入多输出预测Matlab语言2.已将本文算法加入多输出全家桶中点击下方小卡片再后台回复关键字不区分大小写多输出全家桶