【python代码】基于RFAConv(感受野注意力卷积)-BiGRU(双向门控循环单元)多变量时间序列预测

本程序名为“基于RFAConv-BiGRU的多变量时间序列预测”，在Python平台下通过Jupyter Notebook实现。该模型融合了RFAConv（感受野注意力卷积）与BiGRU（双向门控循环单元），专为多变量时间序列预测任务设计，具有高度原创性且尚未发表。代码注释极为详尽，几乎做到每行均有说明，便于理解与复现。其核心创新在于首次将原本用于计算机视觉领域的RFAConv结构成功迁移至时间序列建模中，突破了传统方法在局部特征提取上的局限。

RFAConv通过引入感受野注意力（Receptive-Field Attention, RFA）机制，有效解决了传统卷积操作中参数共享导致的“一刀切”问题。其关键在于动态生成每个卷积核感受野内的空间特征，并为其分配独立权重。具体实现分为三步：首先利用AveragePooling2D按卷积核大小进行局部聚合，再通过1×1分组卷积扩展通道并生成对应感受野维度的注意力权重（如3×3卷积核对应9个权重），最后经softmax归一化后对原始卷积特征加权。整个过程如同为每个时间点配备“专属眼镜”，能自动聚焦于关键变化区域（如光伏数据中的骤变点），显著提升局部特征表达能力。

在整体模型架构中，输入的多变量时间序列首先被Reshape为类似单通道图像的格式（batch, time_steps, features, 1），以便RFAConv进行二维卷积处理；随后，RFAConv输出的加权特征图再次被Reshape回三维时序格式（batch, sequence_length, features），无缝接入BiGRU层。BiGRU凭借其双向结构，从前向和后向两个方向捕捉长期依赖关系，而RFAConv提供的“高亮情报”则极大增强了BiGRU对关键时段（如早高峰、晚高峰）的识别效率。最终，模型通过Dropout正则化与全连接层输出预测结果。这种“RFAConv精筛局部 + BiGRU统筹全局”的组合，实现了局部敏感性与全局连贯性的完美统一。

代码获取方式：扫描下方二维码

预测集评价指标: 

均方误差 (MSE): 0.008375 

平均绝对误差 (MAE): 0.049102 

均方根误差 (RMSE): 0.091514 

决定系数 (R²): 0.907157