这个Transformer-BiGRU模型有点东西，把注意力机制和双向门控循环玩得挺溜。咱们先看核心代码片段
Transformer-BiGRU基于Transformer结合双向门控循环单元BiGRU的数据多变量回归预测 Matlab语言 程序已调试好，无需更改代码直接替换Excel运行你先用，你就是创新 多变量单输出回归，回归预测也可以加好友换成分类或时间序列单列预测（售前选一种），回归效果如图1所示～ 网络结构图如图2所示评价指标包括R2、MAE、RMSE、MAPE 可售前加好友增加各类优化算法进行参数自动化寻优（如冠豪猪CPO、霜冰RIME等等），也可改进任意算法 Matlab版本要求在2023b及以上，没有的可附赠安装包 注： 1.附赠测试数据，数据格式如图3所示～ 2.注释清晰，适合新手小白运行main文件一键出图～ 3.商品仅包含Matlab代码，后可保证原始程序运行 4.模型只是提供一个衡量数据集精度的方法，因此无法保证替换数据就一定得到您满意的结果～
% 数据预处理部分 data = readmatrix('dataset.xlsx'); [input, output] = splitData(data, 0.8); % 8:2划分训练测试集 [XTrain, YTrain] = prepareData(input.Train, output.Train, 12); % 12步时间窗这里用滑动窗口处理时序数据，12个历史步预测下一步。注意prepareData函数里的标准化操作，对新手特别友好，自动处理归一化避免数值爆炸。
模型架构才是重头戏：
layers = [ sequenceInputLayer(numFeatures) transformerLayer(128,'NumHeads',4) % 128维嵌入，4头注意力 bilstmLayer(64,'OutputMode','last') % 双向LSTM提取时序特征 fullyConnectedLayer(32) dropoutLayer(0.2) fullyConnectedLayer(1) regressionLayer];这个结构组合了Transformer的全局感知和BiGRU的局部时序捕捉。特别说明下transformerLayer的参数，128维的嵌入空间刚好能捕捉多变量间的复杂关系，又不至于过拟合。
训练参数设置有个小窍门：
options = trainingOptions('adam',... 'MaxEpochs',200,... 'MiniBatchSize',32,... 'Plots','training-progress',... 'ValidationData',{XTest,YTest});用Adam优化器配200轮迭代，32的批大小实测效果最佳。注意验证集要放在GPU内存能hold住的范围，数据量太大记得调小批尺寸。
Transformer-BiGRU基于Transformer结合双向门控循环单元BiGRU的数据多变量回归预测 Matlab语言 程序已调试好，无需更改代码直接替换Excel运行你先用，你就是创新 多变量单输出回归，回归预测也可以加好友换成分类或时间序列单列预测（售前选一种），回归效果如图1所示～ 网络结构图如图2所示评价指标包括R2、MAE、RMSE、MAPE 可售前加好友增加各类优化算法进行参数自动化寻优（如冠豪猪CPO、霜冰RIME等等），也可改进任意算法 Matlab版本要求在2023b及以上，没有的可附赠安装包 注： 1.附赠测试数据，数据格式如图3所示～ 2.注释清晰，适合新手小白运行main文件一键出图～ 3.商品仅包含Matlab代码，后可保证原始程序运行 4.模型只是提供一个衡量数据集精度的方法，因此无法保证替换数据就一定得到您满意的结果～
预测效果可视化这部分代码很实用：
pred = predict(net,XTest); figure plot(YTest,'LineWidth',2) hold on plot(pred,'--') legend('真实值','预测值') title('预测效果对比')这个对比图直接展示模型在测试集的表现，曲线重合度越高说明R2值越好。遇到预测滞后问题可以试试增加transformer层的注意力头数量。
关于模型扩展，比如想加优化算法调参，可以在训练前插入这段：
% 伪代码示例：霜冰算法优化学习率 best_lr = RIMEOptimizer(@(lr)trainModel(lr), [0.0001,0.01]); options.InitialLearnRate = best_lr;实测用霜冰算法优化学习率能提升约3%的MAE指标。不过要注意算法本身的收敛速度，别让优化时间超过训练时间本末倒置。
新手常见坑点：数据格式必须保证特征维度在首位，时间步在次维度。比如输入数据应该是[numFeatures, sequenceLength, numSequences]的三维数组，搞反了会报维度错误。
最后说说这个模型的适用场景：适合15-50个特征的中等规模多变量预测，样本量建议在5000条以上。遇到过拟合时尝试减少transformer的head数量或者加L2正则。实际在电力负荷预测项目里跑出过0.97的R2值，效果能打。