木-Star这个项目其实源于一个真实需求：手里有一批历史工况数据，要预测未来几个关键输出量，同时领导还要求解释“到底是哪些输入变量在影响预测结果”，最后还得把模型做成能对新数据直接出结果的状态。我第一时间想到的就是 TCN-GRU 混合回归模型，再配上 SHAP 特征贡献分析，整个流程在 MATLAB 里跑通。说实话，这套东西单个拎出来都不算新鲜，但组合在一起，并能稳定落地、可复现、能解释，确实值得写一篇完整记录。
我写这篇内容的目标很直接：如果你是做时间序列回归预测的，输入是多维特征、输出是多个目标量，同时对模型可解释性有要求，那这篇文章里的思路、代码结构、踩坑点，基本可以直接“抄作业”。我会把模型为什么这么设计、数据怎么切窗、MATLAB 代码怎么组织、SHAP 怎么接进深度学习模型、新数据预测怎么处理，全部串起来讲清楚。
1. 项目定位：为什么是TCN-GRU
1.1 原始需求拆解
很多工业场景和时间序列预测任务，本质上都是同一个问题：给定过去一段时间的多个特征数据，预测未来若干个目标值。比如设备温度、压力和振动信号，预测的是未来几个时间点的运行指标；再比如电网负荷、气象要素，也全是这类多输入多输出的回归任务。
这个项目要解决的核心需求有四点：
- 输入是多维时间序列特征，特征之间可能存在复杂的非线性关系。
- 输出不是单一变量，而是多个变量同时预测，即多输出回归。
- 要在预测之外解释特征贡献，就是量化每个输入特征对结果的贡献大小。
- 模型训练完后，要能方便地对全新数据做预测，不能每次都重新训练。
如果只用普通的全连接网络，时间顺序信息会被打散，预测效果通常不好。如果用纯 LSTM，虽然能处理序列，但训练慢，而且长序列下梯度传播问题依然存在。所以我把目光落在 TCN-GRU 这种混合结构上。
1.2 模型选型：TCN 和 GRU 的组合逻辑
TCN（Temporal Convolutional Network，时间卷积网络）的核心思想是用一维卷积来处理时间序列，但它和普通卷积有几个关键区别。
第一是因果卷积。TCN 在做卷积时，只会使用当前时刻和过去时刻的信息，不会“偷看”未来。这保证了时间顺序的严格性。
第二是膨胀卷积。通过增大膨胀因子（dilation factor），卷积核在时间轴上的感受野指数级扩大。比如膨胀因子为 1、2、4、8，叠加起来，即使是小卷积核，也能覆盖很长的历史窗口。
第三是残差连接。每个 TCN 块内部有跳跃连接，避免了深层网络的梯度消失问题。
TCN 的优势在于：计算可以并行，训练速度明显快于 LSTM 这类循环网络，而且感受野可控，对长期依赖的捕捉更稳定。
那为什么还要加 GRU？TCN 提取的是局部时序特征，但某些场景下，数据中还存在明显的“状态漂移”或“趋势记忆”，这部分更依赖循环结构来处理。GRU（Gated Recurrent Unit，门控循环单元）比 LSTM 少一个门，参数更少，训练更快，但保留了对时间动态的建模能力。
所以我的组合逻辑是：先用 TCN 对输入序列做特征提取，把每个时间步的信息映射到更高层的抽象空间；然后把 TCN 的输出序列送入 GRU，进一步建模时间依赖；最后接全连接层输出多个预测目标。这个结构本质上是一个“特征提取器 + 时序建模器 + 回归头”的三段式架构。
1.3 为什么全套用MATLAB做
很多做算法的同行第一反应是：这种活儿用 Python 不是更方便吗？确实，Python 的 PyTorch 和 LightGBM 生态很成熟，SHAP 库也很好用。但我这次选择 MATLAB，也有实际原因。
一是数据处理环境统一。原始数据需要做滤波、平滑、异常值剔除、归一化，MATLAB 的脚本化处理非常顺手，不需要在 Python 和 MATLAB 之间来回倒数据。
二是 Deep Learning Toolbox 对时间序列模型支持得不错。基于 layerGraph 可以灵活搭建 TCN-GRU 混合结构，支持自定义层，也可以用内置的 convolution1dLayer、gruLayer 直接组合。
三是 SHAP 分析有官方和第三方封装。Statistics and Machine Learning Toolbox 中的 shapley 函数支持自定义预测函数，这就意味着我们可以把训练好的深度网络模型包装一下，直接喂给 SHAP 做贡献度分析。
当然，MATLAB 的缺点也很明显：深度学习社区的现成代码远不如 Python 丰富，尤其是 TCN 这种结构，网上能找到的 MATLAB 实现不多，很多时候要自己拼。这也正是我写这篇文章的另一个原因，帮大家把这块的坑提前填上。
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. 模型结构与数据组织
2.1 TCN部分怎么搭
在 MATLAB 里搭 TCN，最干净的方式是用 layerGraph 手动组织。每个 TCN 残差块包含：
- 一个一维卷积层，设置膨胀因子（DilationFactor）。
- 一个 ReLU 激活。
- 可能加一个 Dropout 层做正则。
- 再一个一维卷积层。
- 然后与输入做残差相加。
关键点是卷积层的填充方式。因果卷积要求只填充序列左侧，MATLAB 的 convolution1dLayer 在设置 Padding 为 "causal" 时，会自动处理左侧填充，这样输出序列长度和输入一致。
膨胀因子的设置是 TCN 的核心。我第一次做的时候直接把膨胀因子全部设为 1，结果感受野特别小，模型基本只能看到最近两三个时间步，长距离依赖完全抓不住。后来把膨胀因子设计成指数增长序列，比如 1, 2, 4, 8，效果立刻改善。
2.2 GRU部分怎么衔接
TCN 的输出仍然是序列格式，MATLAB 中对应维度是“特征 × 时间步”。GRU 层可以直接接在后面，输入格式是“特征 × 时间步”的序列数据。
这里有个容易踩的坑：TCN 输出序列的时间步数必须大于等于 GRU 需要的序列长度。如果你在 TCN 部分做了降采样或者裁剪，GRU 可能会因为输入序列太短而发挥不出作用。我在实践里一般是保持 TCN 输出序列长度不变，GRU 的隐藏单元数量设为 64 或 128，取决于数据规模。
GRU 层在 MATLAB 中默认是输出最后一个时间步的状态，如果后面接全连接层做回归，这种默认行为正好符合需求。当然你也可以让它输出整个序列，再对序列做全局池化，但那样结构会更复杂，我这次没有用。
2.3 多输出回归头怎么设计
多输出回归在 MATLAB 里有两种理解：
一种是网络输出层有多个节点，每个节点对应一个输出变量。这种方式最简单，在全连接层设置输出维度为 outputNum 即可，损失函数用均方误差。训练时，每个输出节点的误差会自动累积回传。
另一种是真正意义上的多任务学习，把不同输出分支放在不同的网络层级上，各自有自己的隐藏层和损失权