一、研究背景
该研究旨在将时序卷积网络与Transformer注意力机制相结合，构建一个适用于多输入多输出回归任务的深度学习模型。通过引入智能优化算法（如SSA麻雀搜索算法）对模型超参数进行自动调优，提升模型的预测精度和泛化能力，适用于时序预测、回归分析等领域。
二、主要功能
- 数据预处理：归一化、训练/测试集划分。
- 模型构建：构建TCN-Transformer混合网络。
- 智能优化：使用SSA优化超参数（卷积核、层数、注意力头数等）。
- 模型训练与评估：训练优化后模型，并进行多指标评估。
- 结果可视化：雷达图、预测对比图、拟合图、训练曲线等。
- 特征重要性分析：使用SHAP值分析输入特征对输出的影响。
- 新数据预测：支持对新输入数据的预测并输出结果。
三、算法步骤
- 导入数据 → 归一化 → 划分训练/测试集。
- 定义SSA优化目标函数（模型RMSE）。
- 优化TCN-Transformer超参数。
- 使用最优参数构建并训练模型。
- 对训练集和测试集进行预测并反归一化。
- 计算各项性能指标（RMSE、R²、MAE）。
- 绘制多种可视化图表进行对比分析。
- 输出最优参数并保存结果。
四、技术路线
数据预处理 → 参数优化（SSA） → 模型构建（TCN-Transformer） → 训练与预测 → 评估与可视化- TCN部分：多层级因果卷积 + 残差连接 + 归一化 + Dropout。
- Transformer部分：位置编码 + 多头自注意力 + 全连接输出。
- 优化部分：SSA用于调整TCN卷积核数、卷积核大小、层数、注意力头数等。
五、公式原理（核心）
TCN卷积：
yt=∑k=1Kwk⋅xt−d⋅k y_t = \sum_{k=1}^{K} w_k \cdot x_{t-d\cdot k}yt=k=1∑Kwk⋅xt−d⋅k
其中ddd为膨胀因子，KKK为卷积核大小。Self-Attention：
Attention(Q,K,V)=softmax(QKTdk)V \text{Attention}(Q,K,V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dkQKT)V损失函数：均方误差（MSE）用于回归任务。
优化目标：最小化RMSE。
六、参数设定
| 参数 | 说明 | 取值范围/设定 |
|---|---|---|
| 卷积核数 | 2^n | 2^3 ~ 2^7 |
| 卷积核大小 | 卷积窗口 | 3 ~ 9 |
| Dropout率 | 防止过拟合 | 0.001 ~ 0.5 |
| TCN层数 | 网络深度 | 2 ~ 5 |
| 注意力头数 | Transformer头数 | 2 ~ 6 |
| 训练轮数 | Epochs | 500 |
| 学习率 | Adam初始学习率 | 0.01 |
| 种群数 | SSA种群规模 | 8 |
| 迭代次数 | SSA最大迭代次数 | 5 |
七、运行环境
- 平台：MATLAB（建议R2024b及以上版本）
- List item
八、应用场景
该模型适用于多输入多输出回归预测问题，例如：
- 时间序列预测（电力负荷、股票价格、气象数据）
- 工业过程控制（质量预测、故障诊断）
- 环境监测（空气质量、水质预测）
- 医疗数据分析（生理指标预测）
- 能源系统优化（发电量、能耗预测）
