MATLAB实现基于TCN-GRU-Transformer-SHAP时间卷积门控循环单元（TCN-GRU）结合Transformer编码器和SHAP值分析方法（SHAP）进行多输入多输出回归预测的详细项目实例

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人 

 或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

在复杂工业系统、能源系统和金融市场等场景中，多变量时间序列往往呈现出强烈的非线性、时变性和多尺度相关性特征。设备运行工况、传感器测点、外界环境扰动、控制指令等多源信息交织在一起，使得传统的线性回归、自回归移动平均类模型难以准确刻画系统内部的真实动态过程。为了在生产计划、故障预警、状态估计、资源调度等环节中做出更为准确和稳健的决策，需要能够有效处理多输入多输出、长时间跨度、存在复杂依赖关系的时间序列预测模型，同时对预测结果的可解释性提出更高要求。

在实际工程实践中，常见思路是将时间序列问题简化为单输入或少量输入、单输出预测任务，使用独立的模型对每一个输出变量进行建模。这种做法忽略了变量之间的耦合关系，例如在电力负荷预测中，多个区域的负荷变化具有显著的相关性，如果完全分开建模就会丢失空间相关结构；在多传感器状态监测中，振动、温度、电流等信号之间存在显著的潜在联动效应，若不加以利用，不仅浪费信息，还可能降低预测精度。多输入多输出回归建模则能够在一个统一框架中同时刻画所有变量，显式利用变量间的相关性，提高模型整体表现。

深度学习的引入为多变量时间序列预测提供了新的路径。时间卷积网络通过因果卷积和扩张卷积机制有效扩大感受野，在保持时间因果性的前提下捕获不同时间尺度上的依赖关系；门控循环单元在处理带有短期记忆和中期依赖的特征时具有参数量较少、收敛速度较快等优点。自注意力和Transformer编码结构则通过对序列中各个时间位置之间的全局相关性进行加权建模，在长序列建模方面具有明显的优势。然而，单一模型往往在某一方面表现突出而在其他方面存在不足，例如卷积结构善于提取局部模式但不擅长全局关系建模，循环结构能够捕捉序列顺序信息但存在梯度衰减，注意力机制全局建模能力强但对局部细节的精细捕获依赖于前序特征工程。因此，将多种结构有机结合，形成互补优势的混合模型，是进一步提高复杂时间序列预测性能的重要方向。

与此同时，可解释性问题日益受到重视。在高风险决策场景中，仅给出预测值而不能说明原因的模型难以获得足够信任。一方面，决策者需要知道模型依据哪些输入信号、哪些时间段的信息做出当前预测；另一方面，领域专家也希望通过可解释性分析手段，验证模型关注的特征是否符合物理规律和工程经验。SHAP值分析方法基于博弈论思想，对模型的输出贡献进行精细分解，能够在样本级别上为每一个输入特征给出明确的贡献度，既可以用于整体特征重要性分析，也可以用于单条时间序列样本的局部解释，从而增强模型在工程应用中的透明度和可接受度。

结合上述需求，构建一个基于时间卷积门控循环单元结构融合Transformer编码机制，并辅以SHAP值分析的多输入多输出回归预测框架，在方法层面具有现实意义。时间卷积部分负责从原始多变量时间序列中抽取多尺度局部动态特征，门控循环单元结构对提取后的特征进行时序记忆与状态更新，Transformer编码模块进一步在较高语义层面建模全局时序依赖，而SHAP分析模块则在训练完成后为整个预测链路提供可解释性支持，使得模型不仅有较高预测精度，还能清晰反映每个输入特征对输出结果的贡献。通过在MATLAB R2025b环境中实现完整的TCN-GRU-Transformer-SHAP多输入多输出回归预测项目，可形成一个可扩展的工程级示例，为后续在其他行业和数据集上的迁移和推广提供可参考的结构与代码模板。

项目目标与意义

精准刻画复杂多变量时间序列的动态特性

目标之一是构建一套能够在复杂工况和多尺度扰动条件下仍保持较高预测精度的时间序列建模框架。在传统统计建模方法中，时间序列多以平稳性和弱非线性为前提条件，且多采用单变量建模方式，当面对带有显著非平稳性、强噪声、多变量耦合和长时依赖时，预测精度和稳定性会有明显下降。因此，通过引入时间卷积网络提取局部模式，门控循环单元对序列记忆信息进行整合，再叠加自注意力结构捕获长距离依赖，可以更全面地刻画多变量时间序列的内在动力特性。该目标的意义在于，可以在相对统一的网络框架下适应不同长度、不同维度的时间序列，从而在实际应用中减少针对特定场景大量手工特征构造和模型选择的工作量。同时，增强对极端工况和异常波动的鲁棒性，提升模型在真实环境中的适应性和可用性。

支持多输入多输出一体化建模与联合预测

工程与经济系统中常常需要同时预测多个相关输出变量，例如在过程工业中需要同时预测温度、压力、流量等关键指标，在交通系统中需要预测多个路段的流量与速度，在金融领域需要联合预测多个资产价量指标。目标之二是在单一模型中实现多输入多输出回归预测，不再为每个输出变量单独训练模型，而是充分利用变量之间的相关结构，实现联合建模。通过在网络结构中设计共享特征提取层和适当的多头输出结构，既可以利用共享部分捕获各变量之间的共同规律，又可以在输出端对不同变量的特定模式进行区分。这样既能提升整体预测效果，又能降低建模和部署过程中的复杂度，将该模型作为一个可统一配置的预测组件嵌入到更大的业务系统中，有利于维护和扩展。

提升神经网络预测模型的可解释性和透明度

在高风险和强监管理要求场景中，仅提供“黑箱”预测结果无法满足决策者和监管机构的需求。目标之三是引入SHAP值分析方法，对多输入多输出回归模型的预测结果进行细粒度解释。通过基于博弈论的特征贡献分解，将模型输出拆解为各个输入特征在不同时间步上的贡献之和，可以为使用者提供以下信息：哪些输入变量对当前预测结果影响最大；在时间维度上，模型更关注历史序列中的哪些区间；在不同样本之间，特征贡献模式是否具有一致性或显著差异。可解释性的提升有助于将深度学习模型应用于安全关键系统，例如电力系统调度、设备健康管理、金融风险控制等，增强模型输出的可置信度，便于与专家知识进行对照与融合，甚至用于发现传统经验难以发现的隐含规则。

在MATLAB环境中形成完整可复用的工程示例

目标之四是在MATLAB R2025b环境中实现一个结构清晰、注释充分、可直接运行与扩展的完整工程示例。该示例覆盖数据预处理、训练集和测试集划分、TCN和GRU特征提取模块构建、Transformer编码层搭建、多输出回归头设计、训练过程配置与监控、以及最终的SHAP值分析和可视化步骤。通过使用MATLAB深度学习工具箱的基础层构建自定义网络结构，并遵循R2025b的语法规范和接口要求，可以保证脚本在实际环境中的兼容性和稳定性。完整的工程示例不仅为深度学习算法与工程应用之间搭建起有效桥梁，也为后续在其他数据集和行业场景中快速迁移与二次开发提供参考模板，促进多学科交叉应用落地。

项目挑战及解决方案

多模块混合网络结构设计与训练稳定性

该项目采用时间卷积、门控循环单元和自注意力编码三类结构的融合，网络结构复杂度较高，是第一个关键挑战。不同模块在时间维度处理方式和特征空间形态上存在差异，TCN通常采用一维卷积操作以时间为卷积方向，输出特征张量的通道维度代表不同的滤波器响应；门控循环单元结构则要求输入为时间步与特征维度组合的序列形式；自注意力模块要求在序列维度上构造查询、键和值矩阵，需要保持形状匹配。若在网络设计阶段未对这些维度变换进行细致规划，将在前向传播和反向传播时出现尺寸不匹配或梯度传播异常。解决方案是在MATLAB中采用层图构建思路或通过dlnetwork手动管理网络结构，将TCN输出设计为与GRU输入兼容的格式，通过reshape或permute层在卷积与循环之间显式调整维度，同时在Transformer编码部分将GRU输出统一映射到固定维度，用以构造多头注意力的输入。通过分阶段调试方法，首先在较小网络规模和较短序列上验证结构与梯度传播的正确性，再逐步扩展至目标规模，以减少训练过程中不稳定的风险。

多输入多输出场景下的损失构造与训练效率

多输入多输出预测任务中，输出张量的维度包含输出变量维度和时间步或未来预测步数。如何高效构造损失函数，使其既能平衡不同输出变量的重要性，又能在训练过程中保证收敛速度，是第二个挑战。如果简单将所有输出维度在损失函数中等权处理，在变量尺度差异较大的情况下，会导致某些输出误差主导整体损失，影响其他输出的学习效果。解决方案是在数据预处理阶段对各个输出变量进行归一化或标准化，将输出缩放到类似的数值范围，减轻尺度差异带来的影响。同时，在损失函数设计上可以采用多输出均方误差或加权均方误差，对业务上更重要的输出变量给予较高权重。训练效率方面，多模块网络在较长时间序列上的计算成本较高，需要选择合适的批大小、学习率和训练轮数，并利用MATLAB中mini-batch训练机制提高训练吞吐量。在使用dlnetwork和自定义训练循环时注意避免不必要的数据拷贝和GPU与CPU频繁切换，以最大限度提升训练效率和稳定性。

高维特征空间下的SHAP值计算复杂度与实现细节

SHAP值分析通常需要在特征空间进行多次采样和模型调用，计算复杂度与特征维度和样本数量密切相关。在多输入多输出时间序列场景中，每个时间步每个变量都可以被视为一个特征，总特征数等于时间窗口长度和变量数量的乘积。如果直接在这样的高维特征空间上进行精确的SHAP值计算，计算量极为庞大，在工程实践中难以承受。这构成第三个挑战。解决策略是采用近似方法和特征层级聚合。首先可以聚合时间维度上的特征，例如按照时间窗口分段，对每一段特征整体计算SHAP值，从而降低特征数量；也可以对变量维度进行聚合，在初步分析中仅对关键变量进行SHAP分析。具体实现时，在MATLAB环境中使用自定义函数对样本特征进行扰动，并通过批量前向预测计算SHAP值近似值。通过将特征扰动与模型调用整合到向量化计算中，减少循环结构带来的性能开销。在代码上需要设计统一的接口，将输入样本映射到网络可接受的张量格式，并在SHAP分析中复用训练好的网络参数。为了进一步降低计算复杂度，可在分析阶段选取具有代表性的样本集或典型工况，而非对所有样本进行全面SHAP分析，以在解释深度与计算资源之间取得平衡。

项目模型架构

时间卷积网络模块的局部与多尺度特征提取

时间卷积网络模块采用因果卷积和扩张卷积相结合的结构，在多层卷积堆叠中逐渐扩大感受野。因果卷积确保在时间步t的输出只依赖于当前及过去的输入，严格遵守时间因果顺序，不引入未来信息泄漏；扩张卷积通过在卷积核内引入间隔，以指数方式扩大感受野，使得较浅的网络就可以覆盖较长时间范围，避免堆叠大量卷积层带来的参数膨胀。典型结构为若干个残差块，每个块包含两层带有扩张率的卷积层、激活函数和归一化操作，并通过残差连接将输入与输出相加，以缓解梯度消失并提高训练稳定性。在多输入多输出场景中，TCN模块的输入为长度为L的多变量时间序列，形状可以为[L, NumFeatures]，通过一维卷积后输出形状为[L, NumFilters]，其中NumFilters为卷积核数目。该模块的作用是从原始信号中提取局部时间模式，例如周期性波动、尖峰冲击等，为后续的序列建模模块提供高层次特征。通过堆叠多层扩张卷积，能够同时捕获短周期、小幅度变化和长周期、缓慢趋势变化，从而为复杂系统建模提供多尺度特征表示，并减轻后续模块对原始数据的直接负担。

门控循环单元模块的时序记忆与状态聚合

门控循环单元模块位于TCN之后，用于对TCN输出的时间特征进行时序记忆和汇聚。门控循环单元结构内部包含更新门和重置门，通过对历史状态和当前输入的加权融合动态调节记忆内容，从而在一定程度上缓解传统循环网络中的梯度消失问题。TCN输出在时间维度上的每一个位置都包含多通道特征，输入门控循环单元后，将每个时间步的特征视为一个向量，依次输入网络进行状态更新。通过引入双向结构或堆叠多层门控循环单元，可以进一步提升对序列前后文的理解能力，不过在严格的在线预测场景中需要保持单向结构，以避免使用未来信息。在多输入多输出回归任务中，该模块的输出通常为最后一个时间步的隐状态或全序列隐状态的聚合，用来概括历史窗口内的全局信息。门控循环单元模块在架构中的意义在于，在已经进行局部卷积特征提取的基础上，对更高层发生在较长时间跨度上的动态模式进行整合，例如缓慢的趋势变换、工况切换以及外部扰动对系统响应的滞后效应等。该模块与前端TCN形成“局部卷积+全局记忆”的组合，有利于提升模型对于中长期预测的稳定性和准确度。

Transformer编码模块的全局依赖建模与多头注意力

在门控循环单元输出之后，引入Transformer编码模块用于进一步建模更长距离的时序依赖和变量间复杂的相互关系。Transformer编码的核心在于自注意力机制，通过为序列中的每个位置构建查询、键和值向量，并计算各位置之间的注意力权重，从而让模型能够在一次前向传播中整合来自所有时间步的信息。在多头注意力结构中，不同头使用不同的线性变换生成查询、键和值，因此能够从多个子空间角度捕捉序列中的不同关系模式，例如某个头侧重短期波动关系，另一个头侧重长期趋势关联。编码模块通常还包含前馈网络、残差连接以及归一化操作，以增强模型表达能力和训练稳定性。由于MATLAB R2025b中不提供整体的transformerEncoderLayer，需要基于基础的selfAttentionLayer或attentionLayer以及positionEmbeddingLayer自定义搭建。在架构中，门控循环单元输出的序列表达会先经过位置编码，以保留或增强时间位置信息，然后输入自注意力层进行全局依赖建模。通过这一模块，可以显式捕获跨时间与跨变量的关联模式，特别是在多输出变量之间存在复杂相互影响的场景中，Transformer编码层能够为每个输出变量提供更丰富的上下文信息，使得预测结果更为精细。

多输出回归头与多变量预测结构设计

在经过Transformer编码模块后，需要将高维特征映射到实际多输出预测值。多输出回归头通常包括全连接层或卷积层，将Transformer编码后的特征张量转换为目标输出的形状。在多步预测和多变量输出的组合场景中，需要明确预测 horizon 长度和输出变量数量，并在回归头中设计相应的映射。例如可以采用将编码后的序列最后一个时间步的表示输入全连接层，输出维度为NumOutputs×Horizon，也可以保留整个序列的编码表示，通过一维卷积或线性变换生成多步预测。在多变量场景中共享前端特征提取结构，而在输出端为不同变量设置独立的线性层，能够在保持共享信息的同时，给不同输出变量提供一定程度的专属表示空间。回归头的损失函数采用多输出均方误差，将所有输出预测与真实目标进行对比，并在反向传播中统一优化网络所有参数。通过合理设计回归头结构，可以在不过分增加参数数量的前提下，实现对多输出、多步预测任务的灵活支持，并且为后续SHAP分析提供清晰的特征到输出映射路径。

SHAP值分析模块与可解释性集成方式

在多模块深度网络训练完成后，需要构建SHAP值分析模块来评估各输入特征对模型预测结果的贡献。该模块并不参与训练过程，而是在训练完成后，使用已经固定的模型参数进行大量前向预测，通过对特征进行扰动或采用背景样本进行采样，估计每个特征的边际贡献。由于时间序列特征数量较多，SHAP分析模块通常需要对特征进行分组和聚合，可以按变量维度进行聚合，即将每个变量在整个时间窗口内的特征视为一个整体进行贡献计算，也可以按时间片进行聚合，分析不同时间段对当前预测的重要程度。实现上，在MATLAB中构建一个统一的预测函数接口，输入为经过标准化后的多变量时间序列片段，输出为多输出预测值，然后在SHAP计算过程中由该接口负责与训练好的网络进行交互。模块最后产生的SHAP值可以进行可视化，例如通过条形图展示整体特征重要性，通过热力图展示时间维度上的贡献分布，通过样本级别图展示个别样本下特征的正负影响。通过将SHAP分析结果与工程领域知识结合，可以验证模型是否关注了符合物理规律的关键变量和关键时段，也可以用于发现新的潜在影响因素，为后续模型迭代和业务决策提供数据驱动的参考。

项目模型描述及代码示例

数据构造与预处理示例
clear; clc; close all; % 清空工作区、命令行并关闭所有图窗，为本项目启动一个干净的MATLAB运行环境
rng(2025); % 固定随机数种子，保证每次运行生成的模拟数据一致，便于调试与结果复现
numSamples = 5000; % 定义总时间步数为5000，用于构造较长的多变量时间序列
numInputs  = 4; % 定义输入变量个数为4，表示有4个不同传感器或特征序列
numOutputs = 3; % 定义预测输出变量个数为3，例如三个关键性能指标
t          = (1:numSamples)'; % 构造时间索引列向量，用于模拟不同频率的周期信号
X = zeros(numSamples,numInputs); % 初始化输入矩阵X，行对应时间步，列对应不同输入变量
Y = zeros(numSamples,numOutputs); % 初始化输出矩阵Y，行对应时间步，列对应不同输出变量
X(:,1) = sin(2*pi*t/50) + 0.1*randn(numSamples,1); % 第一输入为短周期正弦信号叠加高斯噪声，模拟周期性工况扰动
X(:,2) = cos(2*pi*t/200) + 0.05*randn(numSamples,1); % 第二输入为长周期余弦信号叠加较小噪声，模拟缓慢趋势变化
X(:,3) = 0.01*t + 0.2*randn(numSamples,1); % 第三输入为缓慢上升趋势加噪声，模拟设备老化或负荷增长
X(:,4) = randn(numSamples,1); % 第四输入为纯噪声变量，模拟不确定扰动或未建模因素
Y(:,1) = 0.5*X(:,1).^2 + 0.3*X(:,2) + 0.2*X(:,3) + 0.1*randn(numSamples,1); % 第一输出为非线性组合，体现输入间交互对目标的影响
Y(:,2) = -0.4*X(:,1) + 0.6*X(:,2).^2 + 0.1*X(:,4) + 0.1*randn(numSamples,1); % 第二输出为另一种非线性组合，强调第二输入的主导作用
Y(:,3) = 0.3*X(:,1).*X(:,3) - 0.2*X(:,2).*X(:,4) + 0.1*randn(numSamples,1); % 第三输出为输入变量相互乘积的组合，模拟复杂耦合关系
inputWindow  = 60; % 定义输入时间窗口长度为60，表示模型每次利用过去60个时间步进行预测
outputHorizon = 1; % 定义预测步长为1，这里示例为一步预测，可扩展为多步预测
numSamplesWin = numSamples - inputWindow - outputHorizon + 1; % 计算可构造的窗口样本数，确保每个窗口后都有足够预测步
Xwin = zeros(inputWindow,numInputs,numSamplesWin); % 初始化三维数组存储窗口化输入，方便后续网络训练
Ywin = zeros(numOutputs,numSamplesWin); % 初始化矩阵存储对应的窗口化输出
for i = 1:numSamplesWin % 逐个时间起点构造窗口样本
    idxStart = i; % 当前窗口的起始时间步编号
    idxEnd   = i + inputWindow - 1; % 当前窗口的结束时间步编号
    Xwin(:,:,i) = X(idxStart:idxEnd,:); % 将当前窗口内的多变量输入写入三维数组，对应一个样本序列
    Ywin(:,i)   = Y(idxEnd+outputHorizon,:)'; % 将窗口末尾后第outputHorizon步的输出作为预测目标
end
muX  = mean(reshape(Xwin,[],numInputs),1); % 对所有窗口输入做均值统计，得到每个输入变量的均值向量
sigmaX = std(reshape(Xwin,[],numInputs),0,1) + 1e-6; % 计算各输入变量标准差并加上微小值防止除零
for j = 1:numInputs % 针对每个输入变量进行归一化处理
    Xwin(:,j,:) = (Xwin(:,j,:) - muX(j))./sigmaX(j); % 按均值和标准差标准化输入，使不同变量尺度接近
end
muY  = mean(Ywin,2); % 计算输出变量的均值，用于将目标值中心化
sigmaY = std(Ywin,0,2) + 1e-6; % 计算输出变量的标准差，避免不同输出尺度差异过大
for k = 1:numOutputs % 针对每个输出变量进行归一化
    Ywin(k,:) = (Ywin(k,:) - muY(k))./sigmaY(k); % 标准化输出，提高多输出损失函数的平衡性
end
numTrain = floor(0.8*numSamplesWin); % 设置80%窗口样本作为训练集，剩余20%作为测试集
idxTrain = 1:numTrain; % 训练集索引范围
idxTest  = numTrain+1:numSamplesWin; % 测试集索引范围
XTrain = Xwin(:,:,idxTrain); % 提取训练集输入序列数据
YTrain = Ywin(:,idxTrain); % 提取训练集输出目标数据
XTest  = Xwin(:,:,idxTest); % 提取测试集输入序列数据
YTest  = Ywin(:,idxTest); % 提取测试集输出目标数据
TCN模块构建与卷积特征示例
inputSize    = numInputs; % 定义网络输入特征维度与输入变量个数一致
numFilters1  = 32; % 第一层时间卷积的通道数，决定提取的局部特征数量
numFilters2  = 64; % 第二层时间卷积的通道数，用于提取更高阶特征
kernelSize   = 3; % 一维卷积核长度为3，对应考虑当前及相邻时间点局部模式
tcnLayers = [ ...
    sequenceInputLayer(inputSize,"Name","seq_in"); % 序列输入层，接受长度为inputSize的特征向量时间序列
    convolution1dLayer(kernelSize,numFilters1,"Padding","causal","DilationFactor",1,"Name","tcn_conv1"); % 第一层因果卷积，扩张率1，提取短期邻域特征
    layerNormalizationLayer("Name","tcn_ln1"); % 对卷积输出进行层归一化，稳定训练并减轻内部协变量偏移
    reluLayer("Name","tcn_relu1"); % ReLU激活，为网络引入非线性能力
    convolution1dLayer(kernelSize,numFilters2,"Padding","causal","DilationFactor",2,"Name","tcn_conv2"); % 第二层因果卷积，扩张率2，扩大感受野捕获更长时间依赖
    layerNormalizationLayer("Name","tcn_ln2"); % 对第二层卷积输出进行归一化，提升数值稳定性
    reluLayer("Name","tcn_relu2")]; % 第二次ReLU激活，加强非线性表达能力
GRU模块构建与时序聚合示例
gruHiddenUnits = 64; % 设置门控循环单元隐藏状态维度，决定时序记忆容量
gruLayers = [ ...
    gruLayer(gruHiddenUnits,"Name","gru1","OutputMode","sequence"); % 第一个GRU层输出整个序列隐藏状态，用于后续注意力建模
    dropoutLayer(0.1,"Name","gru_dropout1"); % 在GRU输出后加入少量dropout，缓解过拟合
    gruLayer(gruHiddenUnits,"Name","gru2","OutputMode","sequence")]; % 第二个GRU层进一步提炼时序特征，并保持序列输出形式
Transformer编码模块构建示例
attnNumHeads = 4; % 定义多头自注意力的头数，多个头可并行学习不同相关模式
attnDim      = gruHiddenUnits; % 定义注意力嵌入维度，通常与GRU隐藏维度一致以简化映射
ffnDim       = 2*attnDim; % 前馈网络隐藏层维度设置为注意力维度的两倍，增强表达能力
posEmbedLayer = positionEmbeddingLayer(attnDim,inputWindow,"Name","pos_embed"); % 位置嵌入层，将时间步索引编码为向量并加到序列特征上
selfAttnLayer = selfAttentionLayer(attnDim,attnNumHeads,"Name","self_attn"); % 多头自注意力层，根据序列自身特征构建查询键值并计算注意力权重
ffnLayers = [ ...
    fullyConnectedLayer(ffnDim,"Name","ffn_fc1"); % 前馈网络第一层全连接，将注意力输出映射到更高维空间
    reluLayer("Name","ffn_relu"); % 使用ReLU激活增强非线性表达
    fullyConnectedLayer(attnDim,"Name","ffn_fc2")]; % 将高维特征映射回attnDim维度，便于与残差连接对齐
layerNorm1 = layerNormalizationLayer("Name","attn_ln"); % 自注意力子层后的层归一化，稳定特征分布
layerNorm2 = layerNormalizationLayer("Name","ffn_ln"); % 前馈子层后的层归一化，提升训练效果
多输出回归头构建与网络组装示例
regressionLayers = [ ...
    globalAveragePooling1dLayer("Name","gap"); % 对时间维度进行全局平均池化，将序列特征汇聚为单一向量
    fullyConnectedLayer(numOutputs,"Name","fc_out"); % 全连接层将汇聚后的特征映射到numOutputs个输出变量
    regressionLayer("Name","reg_out")]; % 回归损失层，计算预测输出与真实目标的均方误差
lgraph = layerGraph(); % 初始化空的层图对象，用于拼接不同模块
lgraph = addLayers(lgraph,tcnLayers); % 将TCN模块层添加到层图中
lgraph = addLayers(lgraph,gruLayers); % 将GRU模块层添加到层图中
lgraph = addLayers(lgraph,posEmbedLayer); % 添加位置嵌入层，用于对GRU序列输出加入位置信息
lgraph = addLayers(lgraph,selfAttnLayer); % 添加自注意力层，用于全局依赖建模
lgraph = addLayers(lgraph,ffnLayers); % 添加前馈网络子层，对注意力输出进行非线性变换
lgraph = addLayers(lgraph,layerNorm1); % 添加自注意力后的归一化层
lgraph = addLayers(lgraph,layerNorm2); % 添加前馈网络后的归一化层
lgraph = addLayers(lgraph,regressionLayers); % 添加回归头层，包括全局池化、全连接和回归损失
lgraph = connectLayers(lgraph,"tcn_relu2","gru1"); % 将TCN输出tcn_relu2连接到第一层GRU输入，实现卷积到循环的特征流转
lgraph = connectLayers(lgraph,"gru2","pos_embed"); % 将第二层GRU输出连接到位置嵌入层，补充时间位置信息
lgraph = connectLayers(lgraph,"pos_embed","self_attn"); % 将位置编码后的序列输入自注意力层，开始全局依赖建模
lgraph = connectLayers(lgraph,"self_attn","ffn_fc1"); % 将注意力输出连接到前馈网络第一层全连接
lgraph = connectLayers(lgraph,"self_attn","attn_ln/in1"); % 将注意力输出作为残差连接输入归一化层的第一个输入
lgraph = connectLayers(lgraph,"ffn_fc2","attn_ln/in2"); % 将前馈网络输出作为第二输入，和残差路径在归一化层中进行融合
lgraph = connectLayers(lgraph,"attn_ln","ffn_ln"); % 将融合后的特征连接到第二个归一化层，实现Transformer编码中的第二子层规范化
lgraph = connectLayers(lgraph,"ffn_ln","gap"); % 将Transformer编码最终输出连接到全局平均池化层
训练过程配置与自定义mini-batch示例
maxEpochs   = 30; % 设置最大训练轮数为30，可根据数据复杂度和收敛情况调整
miniBatchSz = 32; % 设置mini-batch大小为32，在训练速度和梯度估计稳定性之间取得平衡
learnRate   = 1e-3; % 设置初始学习率为1e-3，适合作为Adam优化器的常用起点
options = trainingOptions("adam", ...
    "MaxEpochs",maxEpochs, ... % 指定最大训练轮数
    "MiniBatchSize",miniBatchSz, ... % 指定每个mini-batch包含的样本数
    "InitialLearnRate",learnRate, ... % 指定初始学习率
    "Shuffle","every-epoch", ... % 每个epoch开始前打乱训练数据，防止顺序偏差
    "Plots","training-progress", ... % 在训练过程中显示损失曲线图形，便于监控收敛情况
    "Verbose",true); % 打印训练过程中的详细信息，包括每个epoch的损失值
dsXTrain = arrayDatastore(permute(XTrain,[3 1 2]),"IterationDimension",1); % 将训练输入转换为数组数据存储，其中样本维度放在第一维以适配序列输入
dsYTrain = arrayDatastore(YTrain',"IterationDimension",1); % 将训练输出转换为数组数据存储，每行对应一个多输出目标
trainDS  = combine(dsXTrain,dsYTrain); % 将输入和输出数据存储组合成交联数据源，供trainNetwork按mini-batch读取
net = trainNetwork(trainDS,lgraph,options); % 使用组合数据源和层图结构，根据指定训练选项进行网络训练并返回训练好的模型

更多详细内容请访问

http://人工智能MATLAB实现基于TCN-GRU-Transformer-SHAP时间卷积门控循环单元（TCN-GRU）结合Transformer编码器和SHAP值分析方法（SHAP）进行多输入多输出_GWO-GRU时间序列预测代码实现资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/90241692

https://download.csdn.net/download/xiaoxingkongyuxi/90241692

https://download.csdn.net/download/xiaoxingkongyuxi/90241692