摘要：研究表明，XGBoost在结构化数据的回归与分类任务中持续优于深度学习模型。通过构建分段常数函数，XGBoost能有效捕捉特征间的高阶交互，而无需复杂特征工程。相比DNN对数据规模和质量的高要求，XGBoost具有更强的泛化能力、鲁棒性和可解释性。实际应用中，XGBoost在Kaggle竞赛和工业场景中占据主导地位。研究还提出了一种基于非线性二次分解的Ridge-RF-XGBoost混合模型

模态分解方法，如经验模态分解(EMD)、变分模态分解(VMD)等，能够将复杂的时间序列分解为多个固有模态分量(IMFs)，每个分量代表了原始信号中不同频率、趋势或周期性的部分。: EMD是一种自适应的数据分析方法，能够将复杂信号分解为一系列本征模态函数(IMFs)，每个IMF代表信号中不同尺度的振动模式，从而揭示信号的多尺度特征，特别适合非线性、非平稳信号的分析。：分解后的各个模态分量往往具有更简

本文提出了四种创新的时间序列预测模型：1) SPDConv-BiLSTM模型，通过无损下采样保留时序细节；2) GSConv-BiLSTM模型，结合标准卷积与深度可分离卷积的优势；3) CNN-AgentAttention-BiGRU模型，利用代理注意力机制降低计算复杂度；4) 非线性二次分解的Ridge-RF-XGBoost混合模型，分层处理线性和非线性成分。这些模型均采用Python实现，具有

本文提出三种创新时间序列预测模型：1) SPDConv-BiLSTM模型，采用空间-深度卷积实现无损下采样，相比传统方法减少高频信息丢失；2) GSConv-BiLSTM模型，融合标准卷积与深度可分离卷积，平衡全局与局部特征提取；3) CNN-AgentAttention-BiGRU模型，引入代理注意力机制降低计算复杂度。实验表明，三种模型在RMSE和MAE指标上均优于传统方法，其中SPDConv

本文提出两种创新的多变量时间序列预测模型：1) CNN-AgentAttention-BiGRU模型，创新性地将机器视觉领域的AgentAttention机制（通过代理令牌降低计算复杂度）与BiGRU结合，实现高效的时间序列预测；2) GSConv-BiLSTM模型，首次将轻量级GSConv模块（融合标准卷积与深度可分离卷积）应用于时序数据特征提取，并与BiLSTM结合。两种模型均具有详细注释的P