深度学习时序预测方案

1. 问题重述与整体思路输入：N条加速度时序数据，每条数据的时间间隔不同、长度不同（最长18000点，最短1000多点），同时伴随5个非时序参数。共1000组样本，其中800组用于训练，200组用于预测。输出：四个响应量ud,ub,Fb,zb的时间序列，每个输出序列的长度与对应输入加速度序列相同。要求：预测结果与真实值波形一致；峰值相对误差 ≤ 10%（以真实值绝对最大值计）；决定系数 R² ≥ 0.8；均方根误差 RMSE ≤ 0.008。绘制四幅特定图形（对比图、参数变化曲线、散点评价图、SHAP分析图），全部使用英文字体。整体思路：由于输入是变长序列，常规的固定长度模型需要填充（padding）到统一长度，并使用掩码（masking）忽略填充部分对损失的影响。采用1D卷积 + 双向LSTM + 全连接的混合网络：1D卷积提取局部时序特征，LSTM捕捉长程依赖，最后通过TimeDistributed的全连接层在每个时间步输出4个值。将5个非时序参数通过广播（broadcast）方式与每个时间步的加速度特征拼接，使参数信息在每一个时间步都发