TCN-GRU回归+特征贡献SHAP分析+新数据预测+多输出，MATLAB代码
MATLAB代码实现了一个TCN-GRU混合神经网络模型，用于多输出回归预测任务，并集成了SHAP特征重要性分析和新数据预测功能。以下是详细分析：
一、主要功能
TCN-GRU混合模型构建与训练：
- 结合时序卷积网络（TCN）和门控循环单元（GRU），用于处理时序或多特征回归问题。
- 支持多输出（多个目标变量）预测。
SHAP特征重要性分析：
- 使用SHAP值分析输入特征对输出的贡献度。
模型性能评估与可视化：
- 提供RMSE、MAE、R²等评估指标。
- 生成多种可视化图表，包括预测对比图、误差分布图、散点图、累计误差曲线等。
新数据预测：
- 使用训练好的模型对新输入数据进行预测，并保存结果。
二、算法步骤
数据准备：
- 读取Excel数据，划分特征（X）和目标（Y）。
- 归一化处理（mapminmax）。
- 随机或顺序划分训练集和测试集。
模型构建：
- 构建TCN层（包含膨胀卷积、层归一化、Dropout、残差连接）。
- 连接GRU层、全连接层和回归层。
模型训练：
- 使用Adam优化器，设置学习率衰减。
- 监控训练过程中的RMSE和Loss变化。
预测与评估：
- 对训练集和测试集进行预测。
- 计算RMSE、MAE、R²等指标。
- 绘制多种图表进行可视化分析。
SHAP分析：
- 调用
shapley_function计算测试集样本的SHAP值。
- 调用
新数据预测：
- 读取新数据，归一化后输入模型预测，输出结果到Excel。
三、技术路线
- TCN（时序卷积网络）：使用因果膨胀卷积捕捉时序依赖。
- GRU（门控循环单元）：进一步提取时序特征。
- SHAP（Shapley Additive Explanations）：基于博弈论的特征归因方法。
- 混合模型结构：TCN +GRU + 全连接层。
四、公式原理
TCN膨胀卷积：
- 输出长度 = 输入长度 + 膨胀因子 × (卷积核大小 - 1)
- 残差连接：
output = input + convolution(input)
GRU门控机制：
- 遗忘门、输入门、输出门控制信息流动。
损失函数：
- 均方误差（MSE）用于回归任务。
SHAP值计算：
- 基于Shapley值，衡量每个特征对模型输出的贡献。
五、参数设定
| 参数 | 说明 |
|---|---|
numFilters | TCN卷积核数量 = 32 |
filterSize | 卷积核大小 = 5 |
dropoutFactor | Dropout比率 = 0.1 |
numBlocks | TCN块数 = 3 |
hiddens | GRU隐藏单元数 = 6 |
MaxEpochs | 最大训练轮数 = 1000 |
InitialLearnRate | 初始学习率 = 0.01 |
LearnRateDropFactor | 学习率下降因子 = 0.1 |
LearnRateDropPeriod | 学习率下降周期 = 800 |
train_ratio | 训练集比例 = 0.8 |
六、运行环境
- 软件环境：MATLAB（需安装Deep Learning Toolbox）
- 数据格式：Excel文件（
回归数据.xlsx、新的多输入.xlsx） - 依赖函数：
shapley_function（自定义SHAP计算函数）newpre（自定义新数据预测函数）
七、应用场景
- 预测问题：如电力负荷、股票价格、气象数据等。
- 多变量回归：如房价预测（多特征输入、多输出）。
- 特征重要性分析：解释模型预测结果，识别关键影响因素。
- 工业预测维护：多指标预测与特征归因分析。