1.MATLAB实现TCN-BiGRU时间卷积双向门控循环单元时间序列预测； 2.运行环境为Matlab2021b； 3.单变量时间序列预测； 4.data为数据集，excel数据，单变量时间序列，MainTCN_BiGRUTS.m为主程序，运行即可,所有文件放在一个文件夹； 5.命令窗口输出R2、MSE、RMSE、MAE、MAPE多指标评价； TCN 模型通过一维因果卷积对过去的数据进行提取，保证时序性，残差连接加快收敛速度，扩张卷积实现时序特征提取。BiGRU模型作为循环神经网络的变种，具有非线性拟合能力，能够有效提取数据特征，且在保障得到与LSTM 相近预测效果的同时获得更快的收敛速度。文中将两者结合搭建了TCN-BiGRU模型。

由于TCN 具有扩张因果卷积结构，拥有突出的特征提取能力，因此可对原始特征进行融合获得高维的抽象特征，加强了对特征信息的挖掘。而 BiGRU 网络具有强大的时序预测能力，将TCN 和BiGRU网络结合，通过TCN 特征提取后输入至BiGRU 网络，提高了BiGRU网络记忆单元的处理效 率，使得预测模型更有效地学习时间序列的复杂交互关系。因此，本文搭建了TCN-BiGRU预测模型。

TCN-BiGRU是一种将时间卷积神经网络（TCN）和双向门控循环单元（BiGRU）结合在一起的神经网络模型。TCN是一种能够处理序列数据的卷积神经网络，它能够捕捉到序列中的长期依赖关系。BiGRU则是一种具有记忆单元的递归神经网络，它能够处理序列数据中的短期和长期依赖。 TCN-BiGRU模型的输入可以是多个序列，每个序列可以是不同的特征或变量。例如，如果我们想预测某个城市未来一周的平均温度，我们可以将过去一段时间内的温度、湿度、气压等多个变量作为输入序列。模型的输出是一个值，即未来某个时间点的平均温度。 在TCN-BiGRU中，时间卷积层用于捕捉序列中的长期依赖关系，BiGRU层用于处理序列中的短期和长期依赖。多个输入序列被合并成一个张量，然后送入TCN-BiGRU网络进行训练。在训练过程中，模型优化目标是最小化预测输出与真实值之间的差距。 TCN-BiGRU模型在时间序列预测问题上表现良好，特别是对于长期依赖的序列数据。它可以被用于许多应用场景，例如股票价格预测、交通流量预测等。

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501