✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
在数字化浪潮席卷下，各行业积累的数据呈指数级增长，多变量时间序列预测成为诸多领域的关键技术。从金融领域的股价走势预测，辅助投资者规避风险、实现资产的稳健增长，到能源行业的电力负荷预测，助力电网合理调度、降低运营成本；从气象部门的天气预测，为防灾减灾提供科学依据，到医疗领域对疾病发展趋势的预估，提升诊疗的精准性和及时性 ，多变量时间序列预测都发挥着不可替代的作用，为各行业的决策优化、效率提升注入强大动力。
传统预测模型在应对多变量时间序列数据时却显得力不从心。以 ARIMA 为代表的传统统计模型，基于线性假设构建，面对现实中普遍存在的非线性关系，犹如 “戴着镣铐跳舞”，难以精准刻画数据的复杂特征。单一的深度学习模型，像 LSTM，虽在处理序列数据上有一定优势，但在捕捉长时依赖关系时，随着序列长度增加，性能急剧下降，且对于高维度、强耦合的多变量数据，其处理能力也捉襟见肘。
为突破传统模型的瓶颈，本文精心打造了 TCN-Transformer-BiLSTM 串联模型。该模型巧妙融合了 TCN 在捕捉局部时间关联的高效性、Transformer 强大的长程依赖捕捉能力以及 BiLSTM 对序列双向信息的充分挖掘，犹如将三把利刃合为一体，形成了强大的 “王炸组合”。在后续内容中，我们将深入剖析这三大组件的工作原理，手把手教你搭建模型，并用实际案例验证其卓越性能，为你呈上一份可落地实操的多变量时间序列预测指南。
深度拆解：串联模型的核心组件与协作逻辑
组件 1：TCN—— 局部时序特征的 “掘金者”
时间卷积网络（TCN），犹如一位敏锐的 “掘金者”，专注于挖掘时间序列中的局部短期依赖与精细特征 。它以卷积神经网络（CNN）为基础，通过因果卷积和膨胀卷积，为时间序列建模带来了新的突破。因果卷积就像一位严守时间规则的卫士，确保模型在预测时，只能依赖过去和当前的信息，杜绝未来信息的 “穿越” 泄露，使模型的预测符合时间的因果逻辑。例如在股票价格预测中，模型只能依据过去的股价走势和当前的市场指标进行分析，而不能提前知晓未来的突发政策或市场事件，从而保证预测结果的合理性和可靠性。
膨胀卷积则是 TCN 扩大视野的 “神器”，它通过在滤波器的权重之间插入 “空洞”，让卷积核能够跳过某些时间步，在不增加过多参数的情况下，指数级地扩大感受野，捕捉更长期的依赖关系。好比在观察城市交通流量时，膨胀卷积能让模型从更宏观的时间尺度上，分析不同时间段交通流量的变化规律，而不是局限于相邻时间点的微小波动。
为了进一步提升模型的训练稳定性和深层网络的学习能力，TCN 还引入了残差连接。残差连接就像是给模型搭建了一条条 “高速通道”，让信息可以直接从前面的层跳跃到后面的层，有效缓解了梯度消失问题，使模型能够更好地学习到数据中的复杂模式。在实际应用中，TCN 能够高效地提取时间序列的局部特征，为后续的 Transformer 和 BiLSTM 提供高质量的底层特征，是整个串联模型的基石。
组件 2：Transformer—— 全局关联的 “指挥官”
Transformer 以其强大的自注意力机制和位置编码，成为了全局关联建模的 “指挥官”。自注意力机制赋予模型 “全局视野”，让它在处理每个时间步的特征时，能够同时关注到序列中的所有其他时间步，精准计算出它们之间的相关性，挖掘出隐藏在多变量间的复杂耦合关系。在多变量时间序列预测中，就像在一场复杂的交响乐演奏中，Transformer 能敏锐捕捉到各个乐器（变量）在不同时间点（时间步）的演奏（数据变化）之间的相互呼应和协同关系，而不会被局部的细节所干扰。
位置编码则为 Transformer 注入了时间顺序的 “灵魂”，解决了自注意力机制本身对位置信息不敏感的问题。通过正弦和余弦函数生成的位置编码向量，为每个时间步的特征添加了独一无二的位置标识，使模型能够准确区分不同位置的信息，理解时间序列的顺序结构。例如在分析气象数据时，位置编码能让 Transformer 明确不同时间点的气温、湿度等变量的先后顺序，从而更好地把握气象变化的趋势和规律。
Transformer 对 TCN 输出的局部特征进行全局关联建模，极大地增强了模型对长时依赖关系的捕捉能力，为后续的预测提供了更全面、更深入的特征表示，在串联模型中起着承上启下的关键作用。
组件 3：BiLSTM—— 双向时序的 “整合大师”
双向长短期记忆网络（BiLSTM）凭借其独特的双向结构，成为了双向时序信息的 “整合大师”。传统的 LSTM 只能按照时间顺序依次处理序列数据，而 BiLSTM 则打破了这种单向的局限，它同时包含了正向和反向的 LSTM 单元，能够同时从两个方向对时间序列进行学习。在正向传播中，它从过去向现在学习，捕捉过去信息对当前状态的影响；在反向传播中，它从未来向现在回溯，挖掘未来信息对当前状态的潜在作用。
在电力负荷预测中，BiLSTM 可以一边根据过去的用电数据和季节、天气等因素，预测未来的负荷需求；另一边又能结合未来可能的用电场景和政策调整，反向优化当前的预测结果，从而全面地捕捉时序数据中的双向关联信息。
BiLSTM 对 TCN-Transformer 输出的特征进行深度整合，充分发挥其对序列双向信息的挖掘能力，将各种复杂的特征融合成最终精准的预测结果，是串联模型实现高精度预测的最后一道关键防线。
串联逻辑：从局部到全局的特征递进链路
TCN-Transformer-BiLSTM 串联模型的精妙之处，在于其设计了一条从局部到全局的特征递进链路，实现了三大组件的无缝协作。首先，TCN 对多变量时间序列数据进行初步加工，凭借因果卷积、膨胀卷积和残差连接，高效地提取出数据中的局部短期依赖和精细特征，为后续处理提供了丰富的底层信息。
然后，Transformer 接过 TCN 输出的 “接力棒”，利用自注意力机制和位置编码，对这些局部特征进行全局关联建模，将各个局部特征置于整个时间序列的大背景下进行分析，挖掘出变量间的长程依赖关系和隐藏的协同模式，进一步提升特征的抽象层次和表达能力。
最后，BiLSTM 整合 Transformer 输出的特征，通过双向的学习机制，充分融合正向和反向的时序信息，将各种复杂的特征有机地结合起来，最终输出精准的预测结果。这种串联逻辑，使模型能够从多个角度、多个层次对多变量时间序列数据进行分析和学习，充分发挥每个组件的优势，实现了 1+1+1>3 的效果，为多变量时间序列预测提供了一种强大而有效的解决方案。
⛳️ 运行结果
📣 部分代码
% 误差计算函数
function [test_MAE,test_MAPE,test_MSE,test_RMSE,test_R2]=calc_error(y_test_predict,test_y)
test_MAE=sum(abs(y_test_predict-test_y))/length(test_y) ;
test_MAPE=sum(abs((y_test_predict-test_y)./test_y))/length(test_y);
test_MSE=(sum(((y_test_predict-test_y)).^2)/length(test_y));
test_RMSE=sqrt(sum(((y_test_predict-test_y)).^2)/length(test_y));
test_R2= 1 - (norm(test_y - y_test_predict)^2 / norm(test_y - mean(test_y))^2);
disp(['1.均方差(MSE)：',num2str(test_MSE)])
disp(['2.根均方差(RMSE)：',num2str(test_RMSE)])
disp(['3.平均绝对误差（MAE）：',num2str(test_MAE)])
disp(['4.平均相对百分误差（MAPE）：',num2str(test_MAPE*100),'%'])
disp(['5.R2：',num2str(test_R2*100),'%'])
end
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
