基于DE-Transformer-BiLSTM的单变量时序预测Matlab实现-代码聚汇网

基于DE-Transformer-BiLSTM的单变量时序预测Matlab实现

90后的世界观世界·2026-08-29·阅读 23 GEO检测（免费）

单变量时序预测DE-Transformer-BiLSTM差分进化算法

|难度：普通|阅读约 38 分钟

做时序预测这几年，我试过LSTM、TCN、Transformer，也踩了不少坑。单变量时序预测看着简单——给定过去N天的历史值，预测未来一天——但真正想把精度提上去，纯靠单一模型总是差点意思。2024年这个基于DE-Transformer-BiLSTM单变量时序预测的组合方案，是我在多个数据集上实测下来比较稳的一条路线：DE负责自动搜索超参数，Transformer抓长程依赖，BiLSTM收尾建模局部时序特征。关键是，整个框架是单输入单输出，代码结构清晰，Matlab可以直接跑通，非常适合论文实验和工程验证。这篇文章我把整个方案从思路到代码拆开讲一遍，顺带记录我踩过的坑。如果你正准备在Matlab里做时序预测，不管是做课题还是做工程验证，这套流程都能直接参考。

1. 内容整体设计与思路拆解

1.1 单变量时序预测的任务定义：别把问题想复杂

单变量时序预测，本质上就是只有一个变量，所有信息都来自它自己的历史值。比如某地的日温度、某只股票的收盘价、某台设备的振动指标，都是一个序列。我们拿过去的一段连续值，预测下一个时刻的值，这就是“单输入单输出”。注意这里的“单输入”指的是输入特征只有一个维度，而不是说输入只有一个时间点。通常我们会把过去的历史窗口整个喂给模型，窗口里每个时间点都是一个输入元素，但每个时间点的特征维度是1。

那为什么单变量问题反而难？因为你能用的信息很有限，它不像多变量预测那样还能参考其他特征来交叉验证。模型必须学会从序列自身的趋势、周期、波动形态里提取规律。如果是平稳序列还好说，遇到带突变、带噪声的数据，简单模型很容易预测出一个“均值模糊”的结果，看起来损失很低，实际没什么预测意义。我见过很多新手跑单变量预测，训练集损失压到非常低，一画测试集曲线，后半段几乎就是一条直线，那就是模型已经放弃捕捉波动，转而输出均值了。

所以单变量预测的实质，是在“有限信息”下做最充分的特征提取。这也就解释了为什么把Transformer和BiLSTM放在一起，比单独用其中任意一个都要稳。实际应用场景也很广：电力负荷预测、交通流量短时预测、气象要素逐时预测、设备健康指标趋势分析，这些都是典型的单变量时序预测任务。只要数据是一根单列的时间序列，目标是从历史推出未来，这套框架就可以套用。

1.2 Transformer能做什么：抓长程依赖

Transformer起初是给自然语言处理设计的，核心是自注意力机制。在时序预测里，它最大的价值在于可以直接计算任意两个时间点之间的关联程度，不受距离限制。比如过去第20天的某个波动形态，可能和第1天的形态高度相关，普通RNN需要“接力传递”很多步才能把这种关系传到后面，Transformer一步就到位，注意力权重直接告诉你哪个历史时间点对当前预测贡献最大。

单变量序列里，长程依赖非常常见。周期性数据就是典型的例子，比如每天同一时段的用电量、每周同一工作日的客流。用多层LSTM去捕捉这类周期性，需要足够的记忆容量和很长的训练时间，而Transformer的注意力矩阵天然就能把遥远的对应点联系起来。我处理一个日度电力负荷数据时，周期是24小时，窗口长度取到48，步长取1，Transformer能明显把“今天上午9点”和“昨天上午9点”的注意力权重拉高，这是LSTM不容易做到的。

但Transformer在时序上的短板也很明显：它不擅长建模局部连续性。对于“最近几个时刻连续上升，下一步大概率还是上升”这种简单但重要的局部趋势，自注意力未必能精准抓住，而且计算量偏大。序列越长，注意力矩阵越大，训练越慢。所以在单变量时序任务上，我一般不推荐堆纯Transformer，更推荐拿它当特征提取器，而不是直接用它的输出层做回归。

1.3 BiLSTM的价值：补充局部时序特征

BiLSTM是双向LSTM，一个方向从前往后读序列，另一个方向从后往前读，最后拼接两个方向的隐状态输出。在单变量预测中，BiLSTM的“从后往前”方向不是作弊，它是在输入序列内部做逆向建模，帮助模型更好地理解序列的上下文结构。比如某个异常尖峰前后的形态，正向LSTM要等到尖峰出现之后才能“回过味来”，而逆向LSTM从一开始就能看到尖峰之后的情况，相当于给模型多了一双眼睛。

我在自己的实验中对比过：同一个数据集，单独用Transformer，RMSE大概是0.045；单独用BiLSTM，RMSE大概是0.051；把两者组合起来，RMSE能压到0.036左右。这里面有模型容量增加的因素，但更关键的是两者捕捉的信息确实有互补性。Transformer更像是在全局地图上做路径规划，BiLSTM则是在具体路段上判断下一步该怎么走。单变量序列里那些连续上升、连续下降、横盘震荡的局部形态，BiLSTM处理起来非常自然。

还有一个细节值得提：BiLSTM的隐藏维度不用设太大，32或者64就够。单变量输入的信息量有限，隐藏维度太大容易过拟合，还会显著拖慢训练速度。我见过有人把BiLSTM隐藏维度设到128、256，结果训练时间翻了几倍，测试精度反而下降，这就是典型的容量过剩。

1.4 DE算法在这里到底优化了什么

DE，差分进化算法，属于进化算法的一种。它在组合模型里的角色，不是参与预测，而是给模型找一组最优超参数。

Transformer和BiLSTM加在一起，超参数多到让人头疼：学习率、两个分支的隐藏层节点数、注意力头数、dropout比例、batch大小、滑窗长度。这些参数之间还存在耦合，比如学习率调上去之后，dropout也得跟着变，否则就过拟合。手动调参不仅慢，而且很容易陷入局部最优。用网格搜索也不现实，每个参数取5个候选值，6个参数就是5的6次方，一万五千多次实验，跑一宿都不够。

DE的做法很直接：把一组超参数编码成“个体”，生成一个初始种群，然后通过变异、交叉、选择三件事反复迭代，不断逼近“验证误差最小”的超参数组合。它不需要对目标函数求导，哪怕验证误差这个指标非常毛糙、不光滑，也能照常优化。这一点比基于梯度的优化方法更合适，因为深度学习模型训练本身就有很大随机性，验证误差曲线坑坑洼洼的，用梯度类方法很容易卡在坑里。

我见过很多人在这个环节偷懒，直接用固定参数跑一遍就发文章，审稿人一问“为什么选这个学习率”就答不上来。用了DE之后，至少每个参数是跑出来的，不是拍脑袋拍出来的，这条理由在论文里非常好写。而且DE的代码量不大，核心逻辑几十行就能实现，在Matlab里跑起来也不费劲。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 核心细节解析与实操要点

2.1 数据预处理：滑窗和归一化是命根子

先说归一化。单变量序列的量纲和幅值差异很大，比如温度在0到40之间，股票价格可能在几十到几百之间，如果不归一化，模型会优先拟合幅值大的部分，小波动直接忽略。常用的方法是Min-Max归一化，把数据压到0到1之间，预测完再反算回去。公式也很简单：x_norm = (x - min) / (max - min)。注意max和min只从训练集里统计，不能用测试集的数据去算，否则就是信息泄露。这是一个特别容易犯的错误，很多人图省事把全序列统一归一化，看起来没问题，实际上测试集的极值已经被模型提前知道了，测试指标会虚高。

再说滑窗。滑窗长度W是DE要优化的参数之一。窗口太短，模型看不到足够的周期信息；窗口太长，训练样本数变少，计算量变大。一般建议从上一周期的长度附近开始试。比如处理日周期数据，可以从12步、24步开始；周周期数据可以从48步、96步开始。DE优化时把这个W也当成一个参数让算法自己找，比手动试要靠谱得多。我通常把W的搜索范围设为5到120，DE自己会根据验证集误差去选。

还有一个容易忽略的坑：数据划分必须按时间顺序，不能随机打乱。时序数据一旦打乱，等于把未来信息泄露给了训练集，验证指标的漂亮程度全是假的。训练集、验证集、测试集要严格按照时间切片划分。我的习惯是比例60%训练、20%验证、20%测试，并且测试集必须是最后一段时间的数据，这样才能真实模拟“用历史预测未来”的场景。

2.2 Transformer部分在Matlab里的落地方式

Matlab做Transformer不像Python里那么顺手，但Deep Learning Toolbox从较新的版本开始已经提供了自注意力相关层，比如selfAttentionLayer、multiheadSelfAttentionLayer、positionEmbeddingLayer等。具体函数名和可用版本，以你本机doc命令查到的为准，不同版本之间差异还挺大的。

如果你的Matlab版本没有现成的注意力层，也别慌。Transformer在时序预测里最核心的就三块：位置编码、多头自注意力、前馈网络。位置编码的作用是告诉模型“当前是第几个时间点”，因为自注意力本身是顺序无关的，如果你不给它位置信息，序列调换顺序，输出结果完全一样，这对时序预测来说是致命的。位置编码可以用三角函数编码，也可以在Matlab里用positionEmbeddingLayer。自注意力层直接调用官方层，前馈网络就是两个全连接加一个激活函数，用fullyConnectedLayer配合geluLayer或者reluLayer就能拼出来。

这里有一个非常典型的误区：很多人以为要自己实现一整套Encoder-Decoder结构才算Transformer。但在单变量小规模时序数据上，一个经过自注意力加强的编码块通常就够用了。强行堆6层Encoder只会让模型更难训练，还容易过拟合。我自己的经验是1到2个注意力块最佳，再多收益很小。数据量只有几千条时，浅层结构反而更稳。

2.3 BiLSTM与Transformer的衔接顺序

模型结构上有两种常见的搭法：一种是Transformer在前，BiLSTM在后；另一种是BiLSTM在前，Transformer在后。我的实测经验是“Transformer先编码、BiLSTM再解码”效果更稳定。

具体来说，输入历史窗口数据后，先经过位置编码和自注意力层，让模型把全局依赖关系提取出来，再把注意力输出交给BiLSTM。BiLSTM在带注意力信息的序列上继续做双向时序建模，最后取最后一个时间步的隐状态，接一个全连接层输出预测值。这样的设计逻辑是：先解决“看到谁”的问题，再解决“怎么顺着时间走”的问题。如果你反过来，让BiLSTM先处理原始数据，再去算注意力，两个模型的优势都没有完全发挥出来，效果会打折扣。我在几个数据集上对比过这两种顺序，前者大概比后者RMSE低5%到10%。

另外还有一个结构细节：BiLSTM后面要不要再接一个全连接层？我的答案是必须接。BiLSTM输出的维度是你设定的hiddenSize，而最终预测目标只有1维，必须通过全连接层压缩。这个全连接层可以放在BiLSTM的OutputMode='last'之后。如果预测多步，则把OutputMode改成'sequence'，再接全连接层输出多步，但本文讨论的是单步单输出，所以用'last'就够了。

2.4 DE优化的三个关键超参数设定

DE的变异因子F、交叉概率CR和种群规模NP，直接影响搜索效果。经验值上，F取0.5到0.9，CR取0.3到0.9，NP取20到50。

F控制变异强度。F太小，种群容易早熟，收敛到局部最优；F太大，个体跳来跳去，收敛慢。CR控制每个个体有多少维度会参与交叉，CR越大，新个体保留父代信息的越少，探索性强但稳定性差。NP则直接决定每一代要训练多少个模型，NP越大，搜索越充分，但也越慢。

我建议先把NP设为30，F设为0.7，CR设为0.5跑一轮，观察收敛曲线。如果DE的适应度值下降很慢，把F调大；如果适应度值下降很快但后期原地踏步，把F调小，同时把CR调高一点尝试跳出局部最优。DE评估次数一般控制在50到100次，再多时间成本太高，收益有限。我自己常用60次评估加30个种群，在普通CPU机器上大约跑2到4小时能出结果，如果爆显存用GPU会快不少。需要强调的是，这里没有绝对最优的DE参数，不同数据集的最优超参数空间也不一样，DE本身的作用就是替你去找，所以F、CR这些参数只影响找的快慢和稳不稳，不影响最终找到好参数的概率上限。

3. 实操过程与核心环节实现

3.1 完整代码结构总览

整个Matlab工程的目录结构建议这样组织，清晰好维护：

code复制DE_Transformer_BiLSTM/
├── main.m                 % 主程序入口
├── DE_optimizer.m         % DE优化主循环
├── objective_function.m   % 适应度函数
├── create_dataset.m       % 滑窗数据构建
├── build_model.m          % 构建Transformer+BiLSTM网络
├── train_once.m           % 训练一个模型的封装函数
└── evaluate.m             % 预测与指标计算

main.m里做的事情很单纯：加载数据、做滑窗、调用DE优化、拿到最优参数后重新训练并测试、画图。把功能拆到独立文件里，Debug的时候会省很多时间。尤其是objective_function会很频繁地被DE调用，如果它内部还裹着一大堆数据处理代码，每调一次浪费的时间都是翻倍的。

3.2 数据构建的代码示例

这段是滑窗构建的Matlab代码，实用性很强。注意输出格式，我这里每个样本是一列，符合trainNetwork默认的序列输入形式：

matlab复制function [XTrain, YTrain] = create_dataset(data, windowSize)
    % data: 列向量，长度 N
    % windowSize: 滑窗长度
    N = length(data);
    XTrain = zeros(windowSize, N - windowSize);
    YTrain = zeros(1, N - windowSize);
    for i = 1:N - windowSize
        XTrain(:, i) = data(i:i + windowSize - 1);
        YTrain(i) = data(i + windowSize);
    end
end

这里有几个细节。第一，数据在进入create_dataset之前就应当完成归一化，因为函数内部不处理原始数值范围的问题。第二，如果数据量很大，for循环会有点慢，可以改成toeplitz矩阵一次性构建，但单变量场景通常数据量在几千，for循环完全够用。第三，XTrain的维度是[windowSize, numSamples]，而不是[numSamples, windowSize]，Matlab的trainNetwork对序列数据约定是“时间维度在第一维”，这一点特别容易搞反。搞反之后模型也能跑，但学出来的东西完全不对，而且很难排查。

3.3 模型构建的核心层设置

在build_model.m里，核心结构如下，我直接给一段可以直接改的Matlab代码：

matlab复制function lgraph = build_model(numHeads, embedDim, hiddenSize, windowSize)
    layers = [
        sequenceInputLayer(1, 'Name', 'input')
        positionEmbeddingLayer(embedDim, windowSize, 'Name', 'pos_emb')
        multiheadSelfAttentionLayer(numHeads, embedDim, 'Name', 'self_attn')
        layerNormalizationLayer('Name', 'ln1')
        fullyConnectedLayer(embedDim, 'Name', 'ffn1')
        reluLayer('Name', 'relu')
        fullyConnectedLayer(embedDim, 'Name', 'ffn2')
        layerNormalizationLayer('Name', 'ln2')
        bilstmLayer(hiddenSize, 'OutputMode', 'last', 'Name', 'bilstm')
        dropoutLayer(0.2, 'Name', 'dropout')
        fullyConnectedLayer(1, 'Name', 'output')
        regressionLayer('Name', 'reg')
    ];
    lgraph = layerGraph(layers);
end

几个要点。第一，embedding维度和注意力头数要能被整除，比如embedDim=64，numHeads=8，这样每个头的维度就是8，如果除不尽，multiheadSelfAttentionLayer会报维度错误。第二，BiLSTM的OutputMode必须设为last，因为我们只取最后一步的隐状态做预测，不是输出整个序列。第三，dropoutLayer放在BiLSTM后面，可以缓解过拟合，比例0.2是经验值。第四，regressionLayer负责回归任务的损失计算，时序预测一定不要画蛇添足加softmax。

还有一点，positionEmbeddingLayer这个层在部分Matlab版本里不存在，如果报错，可以用自定义方式实现。简单做法是把位置信息直接拼到输入里，比如在sequenceInputLayer之前手动给数据加一个位置维度。不过更省事的做法是：如果你的工具箱版本没有positionEmbeddingLayer，就先用autoencode方式把序列当成普通数组输入，虽然丢了位置归纳偏置，但配上BiLSTM之后，位置信息其实被BiLSTM的顺序处理特性部分弥补了，效果不会差太多。

3.4 DE优化主循环的核心逻辑

DE的主体逻辑可以写成一个for循环。这里给出核心伪代码，你可以直接翻译成Matlab：

matlab复制for gen = 1:maxGen
    for i = 1:NP
        % 1. 变异：随机选三个不同个体，产生突变向量
        r1 = randi([1, NP]); r2 = randi([1, NP]); r3 = randi([1, NP]);
        while r1 == i || r2 == i || r3 == i || ...
              r1 == r2 || r1 == r3 || r2 == r3
            r1 = randi([1, NP]); r2 = randi([1, NP]); r3 = randi([1, NP]);
        end
        mutant = pop(r1, :) + F * (pop(r2, :) - pop(r3, :));

        % 2. 交叉：按概率混合变异向量与原个体
        jrand = randi([1, D]);
        for d = 1:D
            if rand() < CR || d == jrand
                trial(d) = mutant(d);
            else
                trial(d) = pop(i, d);
            end
        end

        % 3. 边界处理：超出搜索范围就拉回来
        trial = min(max(trial, lb), ub);

        % 4. 选择：适应度更好则保留，否则丢弃
        obj_trial = objective_function(trial);
        obj_current = objective_function(pop(i, :));
        if obj_trial < obj_current
            pop(i, :) = trial;
            obj_pop(i) = obj_trial;
        end
    end
end

核心就三个操作：变异生成突变个体、交叉生成测试个体、选择保留更优个体。objective_function里面做的是：把个体解码头成超参数，构建网络，划分验证集，训练，计算验证集上的RMSE，返回。

这里有一个效率优化点：每次调用objective_function都要重新构建网络和trainNetwork，非常耗时。如果种群里有好几个个体在连续几代都没有变化，它们的适应度值是重复的，可以加一个缓存表，把参数组合和适应度值存下来，下次遇到一模一样的参数直接返回缓存结果。在DE后期，种群收敛，重复个体的出现频率很高，这个优化能省差不多20%到30%的时间。

3.5 最优参数的提取与最终训练

DE结束后，最优个体就是我们在验证集上找到的最优超参数组合。接下来用这个参数重新构建模型，在训练集上联合验证集再训练一次，然后在独立的测试集上评估，得到最终的RMSE、MAE、R2等指标。

这一步有个容易踩的坑：如果DE优化时是在验证集上选参数的，那么测试集在优化过程中绝对不能使用，否则就信息泄露了。我习惯把数据切三份：训练集60%、验证集20%、测试集20%。DE用训练集训练、验证集评估，最后用训练集加验证集重新训练，测试集只碰最后一次。注意这个“重新训练”不是可选项，必须做。DE优化阶段用的epoch数偏短，用最终的最优参数加大epoch数再练一次，模型能发挥全部潜力。

评估指标建议从RMSE、MAE、R2、MAPE四个维度看，单一指标很容易被极端值带偏：

指标	计算公式	说明
RMSE	sqrt(mean((y_true - y_pred).^2))	对误差进行平方，放大较大误差，主要衡量极端偏差
MAE	mean(abs(y_true - y_pred))	直观反映平均偏差，不受方向影响
R2	1 - sum((y_true-y_pred).^2)/sum((y_true-mean(y_true)).^2)	衡量模型对数据方差解释的比例，越接近1越好
MAPE	mean(abs((y_true-y_pred)./y_true)) * 100	相对误差百分比，用于不同量纲数据对比

4. 常见问题与排查技巧实录

4.1 训练过程中损失直接变NaN

这是最常见的坑，几乎每个跑时序预测的人都遇到过。主要原因有三个：一是学习率太大，梯度爆炸；二是数据里有NaN或Inf，模型直接崩；三是序列数据未归一化，梯度量级失控。

排查顺序很简单：先检查数据有没有NaN和Inf，再检查归一化，最后把学习率降一个数量级试试。DE在搜索过程中会把学习率搜到过大范围，所以objective_function里一定要对参数范围做硬约束，比如学习率上限设0.01，太大就截断。我见过太多人栽在“模型一训练就NaN”上，最后发现是DE搜出了一个0.1的学习率，一迭代梯度直接爆掉。另外，如果你的训练数据里有极端的尖峰值，比如数值突然跳变到几千，Min-Max归一化之后这些点会变成接近1的极端值，但不会导致NaN。真正导致NaN的往往是归一化时不小心把0做了分母。

4.2 验证集效果不错，测试集效果崩了

这是过拟合的典型表现。Transformer参数多，BiLSTM又是双向结构，叠加起来参数量相当可观。单变量数据量通常只有几千个点，非常容易过拟合。我遇到过最夸张的一次，验证集RMSE是0.021，测试集RMSE到了0.089，模型把训练集学得死死的，一上真实数据就露馅。

解决办法有三种：第一，把dropout加上，在attention层后和BiLSTM层后各加一个dropoutLayer，比例从0.1到0.3之间调；第二，减小模型容量，把注意力维度和BiLSTM隐藏维度降到32或16；第三，增大正则化权重，在trainNetwork的trainingOptions里设置L2Regularization，从1e-4调到1e-2。我实测的体验是，单变量小数据集上，一个注意力维度64的Transformer块加一个隐藏维度32的BiLSTM，已经能覆盖大多数场景了。模型堆太大，训练时间翻倍，测试指标反而更差，得不偿失。

4.3 DE优化太慢了，一跑就是一晚上

DE每次评估都要训练一个完整的深度学习模型，60次评估就是60次训练，这个时间成本确实高。几个加速建议：

第一，把评估时的训练epoch降到20到30，只求相对好坏，不求绝对精度。第二，用早停机制，validation patience设5，验证损失连续5轮不降就终止训练，能省一半时间。第三，如果你的电脑有GPU，确保Matlab在用GPU训练，在trainingOptions里设置ExecutionEnvironment为'gpu'。第四，DE优化过程中对验证集划分方式要保持一致，比如每次都随机抽20%当验证集，但随机种子保持固定，否则同一组参数在不同划分下评估结果会抖动，DE的收敛方向会受影响。

还有一招是我自己会用的：先固定滑窗长度，用少量种群跑50代，得到粗略的超参数范围；再用这个范围把DE细化跑一轮。两阶段策略比一次性全参数搜索快很多。比如第一阶段先把种群设10个，评估30次，跑一个粗范围，锁定一个大致的参数区间；第二阶段再用种群30个，评估60次，在细范围里精搜。这样整体时间能压缩一半以上。

4.4 Matlab各版本对Transformer层支持不一样

这个问题很现实。较新版本的Deep Learning Toolbox才有比较完整的自注意力层支持，较早版本很可能没有multiheadSelfAttentionLayer。如果你用的版本比较老，替代方案是自己写一个自定义层，或者用Python做Transformer部分、Matlab做数据处理，但那样工程复杂度就高了。

最稳妥的做法是：先在命令行输入which multiheadSelfAttentionLayer看看有没有这个层。如果没有，升级工具箱，或者考虑把注意力层换成sequenceInputLayer加lstmLayer，保留BiLSTM主体，虽然效果弱一些，但代码能跑通。注意不同版本对layerGraph的支持也有差异，如果你的版本较老，build_model里的layerGraph可能不识别某些层，必要时改成dlnetwork方式手动定义前向传播，但那样代码量会明显增加。如果遇到这种情况，我建议优先考虑升级Matlab版本，因为新版处理起来方便太多。

4.5 测试集结果偶尔会抖动，怎么看结果才可信

深度学习的随机性来自权重初始化和训练时的数据shuffle，所以哪怕DE找到的最优参数相同，跑两次测试集结果也会有细微差异。我第一次跑完模型，测试集RMSE是0.035，第二天再跑一遍变成0.041，当时以为代码写错了，排查了半天，最后发现就是随机种子造成的。这其实是正常现象，不是bug。

建议的做法是：固定随机种子。在Matlab里用rng(42)固定随机数生成器，放在构建模型和训练之前，这样结果可复现。更进一步，可以用同一组最优参数在测试集上跑5次，取平均结果和标准差。写论文的时候写“RMSE均值为0.032 ± 0.001”，比单次结果更有说服力，审稿人也挑不出毛病。

5. 我的一些实操体会

最后说点我自己的感受。DE-Transformer-BiLSTM这种组合模型，本质上不是玄学，而是把三件事拆开让每一部分做自己最擅长的活：DE管超参数、Transformer管全局依赖、BiLSTM管局部形态。它的价值在于稳定和可解释，而不是“新”。

如果你手上正好有单变量时序预测任务，我建议先别急着抄代码跑实验，先把任务定义清楚——预测步长是多少、数据有多少、周期是否明显。这三个问题想清楚了，再用我这套流程去搭，会顺很多。我之前在一个日度电力负荷数据集上跑通之后，换个数据集只需要改改数据加载路径和窗口范围，其余基本不用动，这就是这套组合最实用的地方。

另外一个心得是：DE优化跑出来的超参数组合，不一定是最直觉的参数，但它是在验证集上真正表现最好的。有时候你会觉得“这个模型怎么有点怪”，比如学习率很小但隐藏层节点很大，但只要验证集效果好，就值得信任。做时序预测，最终看的是测试集上能不能打，而不是模型结构符不符合直觉。