1. CNN（卷积神经网络）部分
作用：
特征提取：CNN擅长从输入数据中提取空间特征。在多输入情况下，它可以处理来自不同源的数据，提取有用的特征。
局部感受野：通过卷积操作，CNN能够识别输入数据中的局部特征，从而提取图像、序列或其他类型数据中的重要模式。
组成部分：
卷积层：应用卷积核（滤波器）扫描输入数据，提取特征图。
激活函数：通常使用ReLU等激活函数增加非线性。
池化层：减小特征图的尺寸，保留最重要的特征，降低计算复杂度。
2. GRU（门控循环单元）部分
作用：
时序建模：GRU用于捕捉数据的时序依赖关系。它能够处理时间序列数据中的长期和短期依赖关系，比传统RNN更具优势。
记忆单元：通过门控机制，GRU决定哪些信息保留，哪些信息遗忘，从而学习到更好的时序特征表示。
组成部分：
重置门：控制当前输入和过去状态的混合程度。
更新门：决定如何更新状态信息。
候选状态：生成当前时刻的候选状态，并与更新门结合以更新最终状态。
3. 多输入单输出回归预测
多输入：模型可以接受来自不同来源的多种数据输入，这些数据可以是时间序列、图像数据或其他类型的数据。CNN部分用于处理这些多样的输入数据，提取特征。
单输出：模型的目标是预测一个连续值（回归任务），例如房价预测、温度预测等。最终，CNN提取的特征通过GRU进行时序建模，生成最终的预测输出。
回归预测：将CNN和GRU提取和学习到的特征经过合适的全连接层进行线性变换，得到最终的回归预测结果。通常，这涉及到：
特征融合：将CNN提取的空间特征和GRU提取的时序特征结合。
预测层：通过全连接层（Dense Layer）将融合后的特征映射到回归预测的目标值上。
工作流程
数据预处理：将输入数据整理成适合CNN和GRU处理的格式。
特征提取：通过CNN处理输入数据，提取空间特征。
时序建模：将CNN提取的特征输入到GRU中，建模时序关系。
输出预测：将GRU的输出通过全连接层生成最终的预测值。
应用场景
金融预测：例如股票价格预测，结合历史价格（时序数据）和其他经济指标（空间数据）。
环境监测：如空气质量预测，结合气象数据（时序数据）和地理信息（空间数据）。
智能交通：预测交通流量，结合道路信息（空间特征）和实时交通数据（时序特征）。
优点
特征提取和建模：结合了CNN的空间特征提取能力和GRU的时序建模能力，提高了模型的准确性和鲁棒性。
处理多样数据：适应多输入类型的数据处理需求，具有较强的通用性。
结合CNN和GRU的模型在多个领域都显示出了强大的性能，尤其在需要处理复杂特征和时序数据的回归任务中
代码实现（部分）：
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
tic
%% 导入数据
res = xlsread('data.xlsx');
%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
%res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行）
num_train_s = ceil(num_size * num_samples)+1; % 训练集样本个数
L = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: L)';
T_train = res(1: num_train_s, L + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: L)';
T_test = res(num_train_s + 1: end, L + 1: end)';
N = size(P_test, 2);
训练进度:
网络结构：
预测结果：
评价指标：
