TCN-LSTM混合神经网络模型在多输出回归预测中的应用

本项目基于MATLAB平台实现了一个融合时序卷积网络（TCN）与长短期记忆网络（LSTM）的混合深度学习模型，旨在解决多变量时序回归预测问题。系统集成了SHAP特征重要性分析模块和新数据预测功能，具备完整的训练、评估与解释能力。

核心功能概述

• TCN-LSTM混合建模与训练：结合TCN强大的局部时序模式提取能力和LSTM对长期依赖关系的捕捉优势，构建适用于多输入多输出场景的回归预测架构。
• 多目标变量预测支持：可同时预测多个连续型输出变量，适用于复杂系统建模任务。
• SHAP特征贡献度分析：引入SHAP值量化各输入特征对模型输出的影响程度，提升模型可解释性。
• 性能评估与可视化展示：提供RMSE、MAE、R等关键指标，并生成预测对比图、误差分布直方图、散点拟合图及累计误差曲线等多种图表。
• 新样本预测功能：利用已训练模型对未知数据进行推理预测，并将结果导出至Excel文件供后续使用。

技术实现路径

该模型采用“TCN + LSTM + 全连接层”的级联结构，充分发挥两种网络的优势：

• TCN（Temporal Convolutional Network）：通过因果膨胀卷积保持时间序列的顺序性，有效扩大感受野，捕获远距离依赖信息。
• LSTM（Long Short-Term Memory）：进一步处理由TCN提取的高层特征，增强模型对动态变化趋势的学习能力。
• SHAP解释方法：基于博弈论中的Shapley值理论，精确计算每个特征在具体预测实例中的边际贡献。

算法流程详解

1. 数据预处理阶段
   • 从Excel文件中读取原始数据，分离输入特征矩阵X与目标变量Y。
   • 应用mapminmax方法对数据进行归一化处理，确保数值稳定性。
   • 按设定比例（默认80%）划分训练集与测试集，支持随机或顺序切分方式。

2. 模型构建过程
   • 搭建包含多个TCN块的卷积层，每层集成膨胀卷积、层归一化、Dropout及残差连接机制。
   • 连接LSTM层以深化时序特征表达，后接全连接层完成特征映射。
   • 最终输出层适配多输出回归任务需求。

3. 模型训练策略
   • 选用Adam优化器进行参数更新。
   • 设置学习率衰减机制，在指定轮次后降低学习率以稳定收敛。
   • 实时监控训练与验证过程中的Loss和RMSE变化趋势。

4. 预测与性能评估
   • 对训练集和测试集分别执行前向推理，获取预测结果。
   • 计算RMSE、MAE、R等评价指标，衡量模型精度。
   • 绘制预测值vs真实值曲线、误差分布图、散点图及累计误差图等可视化图形。

5. SHAP分析执行
   • 调用自定义SHAP计算函数

     shapley_function

     ，针对测试集样本生成特征贡献矩阵。
   • 可视化各特征的SHAP值分布，识别关键影响因子。

6. 新数据预测操作
   • 加载外部新输入数据，执行与训练集一致的归一化处理。
   • 输入至训练好的模型中进行预测。
   • 反归一化后将预测结果写入Excel文件

     新的多输入.xlsx

     ，便于实际部署应用。

关键公式与原理说明

• TCN膨胀卷积输出长度计算：
  输出长度 = 输入长度 + 膨胀因子 × (卷积核大小 - 1)
• 残差连接结构：
  

  output = input + convolution(input)

• LSTM门控机制：
  包含遗忘门、输入门和输出门，控制细胞状态的信息流动。具体数学形式遵循标准LSTM单元定义。
• 损失函数设计：
  采用均方误差（MSE）作为回归任务的目标函数。
• SHAP值计算原理：
  基于Shapley值理论，综合考虑所有特征组合下的边际贡献，公平分配预测结果的归属权重。

主要参数配置表

numFilters

filterSize

dropoutFactor

numBlocks

hiddens

MaxEpochs

InitialLearnRate

LearnRateDropFactor

LearnRateDropPeriod

train_ratio

运行环境要求

• 软件平台：MATLAB（需安装Deep Learning Toolbox）
• 数据格式支持：输入数据为Excel文件格式

  回归数据.xlsx

• 关键依赖函数：

  • shapley_function

    —— 自定义SHAP值计算模块

  • newpre

    —— 新数据预测封装函数

典型应用场景

• 时序预测任务：如电力负荷预测、股票价格走势分析、气象要素预报等。
• 多变量回归建模：例如房价预测（结合地理位置、面积、房龄等多个特征并预测多项指标）。
• 特征重要性解析：用于揭示哪些变量对预测结果影响最大，辅助决策制定。
• 工业设备预测性维护：对多种传感器信号进行联合建模，提前预警故障风险，并通过SHAP分析定位异常根源。