摘要
时间序列预测在能源、金融、气象等领域有着广泛应用。传统的循环神经网络（RNN）及其变体（LSTM、GRU）在处理长序列时容易遇到梯度消失或梯度爆炸问题，而卷积神经网络（CNN）虽然计算效率高，但难以捕获长期依赖关系。本文介绍一种结合**双向时间卷积网络（BiTCN）与自注意力机制（Self-Attention）**的混合模型，并通过MATLAB代码完整展示数据预处理、网络构建、训练及评估的全流程。该模型利用TCN的因果膨胀卷积捕获多尺度时序特征，使用双向结构增强上下文感知能力，最后通过注意力层对关键时间步进行加权，显著提升了预测精度。
1. 引言
时间序列预测的核心挑战在于如何有效提取序列中的长期依赖与局部模式。TCN通过一维膨胀因果卷积，在不增加参数量的前提下指数级扩大感受野，且支持并行计算。然而，标准TCN只能从过去到未来单向传播信息。为了同时利用前后文信息，本文引入双向TCN