程序名称：10种卷积神经网络融合BiLSTM的多变量时间序列预测
实现平台：python—Jupyter Notebook
代码简介：构建了基于传统1D卷积、深度可分离卷积、因果卷积、空洞卷积、分组卷积、注意力卷积、多核卷积、残差卷积、空间Dropout卷积、深度卷积等10种卷积神经网络融合BiLSTM的多变量时间序列预测模型。高创新点，原创未发表，注释超详细，几乎每行一注释。限量。
1.传统Conv1D + BiLSTM
传统一维卷积（Conv1D）作为时间序列建模中最基础的特征提取模块，通过滑动窗口在时间维度上提取局部模式（如短期趋势、周期波动或突变点），再将提取的高维特征送入双向LSTM进行长期依赖建模。其优势在于结构简洁、训练稳定、易于调参，且在中小规模数据集上表现可靠。Conv1D能有效降噪并增强局部时序结构，为BiLSTM提供更具判别性的输入表示。然而，该结构存在明显局限：卷积核的感受野受限于核大小，若未堆叠多层，则难以捕捉长距离依赖；同时，标准Conv1D对所有时间步一视同仁，缺乏对关键历史时刻的动态关注机制。此外，在高维多变量时间序列中，普通Conv1D会引入大量参数，可能引发过拟合，需配合正则化手段（如Dropout、BatchNorm）使用。
2.深度可分离卷积（SeparableConv1D）+ BiLSTM
深度可分离卷积将标准卷积分解为“逐通道卷积”（depthwise）和“1×1点卷积”（pointwise）两个阶段，大幅减少参数量和计算开销（通常可降低至原模型的1/8–1/4）。这一特性使其特别适用于高维多变量时间序列或资源受限的部署环境。在时间序列预测中，它能在保持一定局部特征提取能力的同时提升模型轻量化程度。
3.因果卷积（Causal Conv1D）+ BiLSTM
因果卷积通过设置padding='causal'确保输出在时间t仅依赖于t及之前的时间步，严格满足时间序列预测中的因果性约束，避免未来信息泄露。这使其天然适用于在线预测、滚动预测等真实应用场景。配合较大卷积核（如kernel_size=8），单层即可获得较宽感受野。
4.空洞卷积（Atrous/Dilated Conv1D）+ BiLSTM
空洞卷积通过在卷积核中插入“空洞”（dilation）来指数级扩大感受野，而无需增加参数量或降低时间分辨率。例如，dilation_rate=2时，3点卷积实际覆盖5个时间步。这种机制特别适合具有多尺度动态的时间序列（如金融数据中的高频交易与低频趋势共存，或气象数据中的日周期与季节周期叠加）。与BiLSTM结合后，空洞卷积提供广域上下文，BiLSTM则建模非线性时序依赖，形成互补。
5.分组卷积（GroupedConv1D）+ BiLSTM
尽管代码中名义上称为“分组卷积”，但实际仍使用标准Conv1D，未启用Keras的groups参数，因此并未真正实现分组。假设正确实现（如将64个滤波器分为4组，每组处理部分输入通道），其核心思想是将输入通道划分为若干组，每组独立进行卷积，再拼接输出。此举可显著减少参数量，并鼓励模型学习组内局部特征，适用于变量可自然分组的场景。优点包括计算效率高、防止跨组过拟合。
6.注意力增强卷积（AttentionConv1D）+ BiLSTM
该结构在Conv1D后引入一个简单的软注意力机制：通过一个小型神经网络为每个时间步生成权重，动态加权卷积输出，从而突出对预测更重要的历史时刻（如异常峰值、转折点）。这种机制增强了模型对非平稳序列的适应能力，并提升了可解释性（可通过注意力权重可视化关键时间点）。与BiLSTM结合后，注意力引导的特征输入有助于缓解LSTM在长序列中的遗忘问题。
7.多核卷积（Multi-Kernel Conv1D）+ BiLSTM
多核卷积并行使用多个不同尺寸的卷积核（如2、3、5），分别捕获短、中、长期局部模式，再将输出拼接融合。这种“多尺度感知”机制使模型对未知时间尺度更具鲁棒性，尤其适用于复杂非线性时间序列，其中不同事件可能在不同时间粒度上发生。与BiLSTM结合后，多尺度特征为LSTM提供更丰富的上下文，提升预测精度。
8.残差卷积（Residual Conv1D）+ BiLSTM
残差连接通过将输入直接加到卷积输出上（配合1×1卷积对齐维度），构建恒等映射路径，有效缓解深层网络中的梯度消失问题。虽然当前仅使用单层卷积，残差结构仍能保留原始输入信息，防止有用信号在非线性变换中被过度扭曲。这在时间序列中尤为重要，因为原始值本身可能包含关键趋势或基线信息。与BiLSTM结合后，残差卷积提供更稳定的特征表示，有助于LSTM学习更精确的状态转移。
9.空间Dropout卷积（SpatialDropout1D）+ BiLSTM
空间Dropout1D不同于普通Dropout（随机丢弃单个神经元），而是按通道整块丢弃（即整个时间序列上的某一特征维度被置零）。这种策略特别适用于多变量时间序列，可防止模型过度依赖某几个变量，强制学习更鲁棒的跨变量表示。例如，在预测电力负荷时，若模型仅依赖“历史负荷”而忽略“温度”“节假日”等辅助变量，SpatialDropout可打破这种捷径学习。与BatchNorm结合后，还能进一步提升泛化能力。
10.深度卷积（DepthwiseConv1D）+ BiLSTM
深度卷积是深度可分离卷积的第一阶段，对每个输入通道独立进行卷积，不进行跨通道混合。代码中通过SeparableConv1D实现，但强调其depthwise特性。其最大优势是极致轻量化：参数量仅为标准Conv1D的1/C（C为输入通道数）。在高维时间序列中，可大幅降低计算负担。同时，它保留了每个变量自身的局部时序结构，适合变量间弱相关的场景。
代码获取方式：【原创改进代码】10种卷积神经网络融合BiLSTM的多变量时间序列预测
