单变量/多变量时序预测的‘TCN-LSTM‘模型源程序（含BiLSTM/GRU替换选项）
TCN-LSTM 基于时间卷积网络-双向长短期记忆网络的多特征回归预测(前换成单变量/多变量时序预测) 程序已经调试好，无需更改代码替换数据集即可运行数据格式为excel LSTM可以更换为BiLSTM/GRU(前) 、运行环境要求MATLAB版本为2021b及其以上 、评价指标包括:R2、MAE、MSE、RPD、RMSE等，图很多，符合您的需要 、代码中文注释清晰，质量极高 、测试数据集，可以直接运行源程序 替换你的数据即可用 适合新手小白 、 保证源程序运行， 模型只是个工具，不一定替换数据就达到你想要的结果 考虑好再
这个TCN-LSTM混合模型有点意思啊。咱们搞时间序列预测的都知道，传统LSTM处理长期依赖可能有点力不从心，这时候引入时间卷积网络（TCN）的膨胀因果卷积结构，相当于给模型装了个望远镜——既能抓住局部特征又能看得远。实测下来这个组合在电力负荷预测场景中比单一模型表现稳得多。
先甩个核心代码片段镇楼。数据预处理部分用的是MATLAB自带的滑动窗口函数，对新手特别友好：
% 滑动窗口构造时序样本 inputSize = size(XTrain,2); numFeatures = inputSize; windowSize = 24; % 24小时历史窗口 horizon = 6; % 预测未来6小时 XTrain = windowize(XTrain, windowSize); YTrain = XTrain(windowSize+1:end, 1:horizon); % 取首个特征作为预测目标 XTrain = XTrain(1:end-horizon, :);这段把原始时序数据切成带时间窗口的样本，比如用24小时数据预测未来6小时。注意这里windowize函数需要自己封装，其实就是用for循环做矩阵切片，建议加上并行计算加速。
模型架构才是重头戏。TCN部分用了残差块结构，注意膨胀系数要按指数增长：
tcnLayers = [ convolution1dLayer(3, 64, 'DilationFactor', 1, 'Padding', 'same') layerNormalizationLayer spatialDropoutLayer(0.2) convolution1dLayer(3, 64, 'DilationFactor', 2, 'Padding', 'same') layerNormalizationLayer reluLayer additionLayer(2, 'Name', 'add1') % 残差连接 ];这里有个坑——TCN的因果卷积得手动控制padding，建议用非对称padding只在左侧填充。LSTM部分直接调库就行，想换双向LSTM的话把bilstmLayer替换上，注意调整输出维度。
TCN-LSTM 基于时间卷积网络-双向长短期记忆网络的多特征回归预测(前换成单变量/多变量时序预测) 程序已经调试好，无需更改代码替换数据集即可运行数据格式为excel LSTM可以更换为BiLSTM/GRU(前) 、运行环境要求MATLAB版本为2021b及其以上 、评价指标包括:R2、MAE、MSE、RPD、RMSE等，图很多，符合您的需要 、代码中文注释清晰，质量极高 、测试数据集，可以直接运行源程序 替换你的数据即可用 适合新手小白 、 保证源程序运行， 模型只是个工具，不一定替换数据就达到你想要的结果 考虑好再
训练参数设置直接影响收敛速度。实测用Adam优化器时学习率别超过1e-3：
options = trainingOptions('adam', ... 'MaxEpochs', 150, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 50, ... 'Verbose', 1, ... 'Plots', 'training-progress');重点说下评价指标计算。RPD（相对预测偏差）这个指标很多库不提供，得自己实现：
function rpd = calculateRPD(yTrue, yPred) rmse = sqrt(mean((yTrue - yPred).^2)); stdev = std(yTrue); rpd = stdev / rmse; % 值越大说明模型越可靠 end运行后会生成十几张分析图，比如预测值和真实值的对比曲线、误差分布直方图、特征重要性热力图等。特别注意预测波动区间的可视化，这个用分位数回归实现的置信带比单纯的点预测实用得多。
想换成自己的数据？记住三点：1）Excel数据第一列必须是时间戳，后面接特征列；2）目标变量放最后一列；3）缺失值建议用移动平均填充别直接删行。有个取巧的方法——直接把示例数据换成自己的，保持行列结构不变。
最后提醒下，TCN-LSTM对周期性明显的数据效果拔群，但要是遇到突变型时序（比如突发事件影响下的流量数据），建议加上异常检测模块。模型不是万能的，但掌握这个组合拳至少能在多数场景下交出80分答卷。