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