本模型集成PGA、MKAN与TimeXer三大前沿组件，构建了一套完整且创新的时间序列预测框架，基于PyTorch架构实现并提供Python代码。该框架融合了优化算法、卷积特征提取与Transformer架构的精髓，具备以下核心特点：
🔥 模型核心创新点
📈 MKAN（多阶Kolmogorov–Arnold网络模块）
2025年最新提出，采用频率特定的建模方式，分别针对时序表示学习与依赖关系学习进行优化。通过多阶KAN结构增强模型表示能力，在保持高解释性的同时，显著提升了时序特征提取的效果，符合当前KAN系列模型可解释性强、性能优越的研究趋势。
🌿 PGA（向阳生长优化算法）
2025年发表于一区顶刊的新型元启发式算法，模拟植物细胞对光照的响应机制。本模型创新性地引入PGA对TimeXer进行全局超参数优化，有效提升模型收敛速度与预测精度。
⏳ TimeXer（外生变量增强预测模型）
2024年表现优异的时间序列预测架构，重点引入外生变量以增强模型对复杂时序动态的捕捉能力，进一步提升预测准确性。
✅ 性能与优势
在多个数据集上验证，相比基准模型，整体预测性能提升约15%-30%（注：深度学习结果具有一定随机性，建议多次运行取平均，具体提升因数据集而异）。
模型集成多尺度特征提取、自动化超参数优化与完整预测架构，全部采用2024–2025年最新研究成果，学术创新性显著，适用于高水平学术论文与工程应用。
适用于广泛的时间序列预测任务，包括但不限于：电力负荷、风电功率、光伏发电、空气质量、锂电池寿命预测等领域。
📦 功能清单
支持多变量输入，单变量输出预测任务；
支持多时间步预测与单时间步预测两种模式；
提供全面的评估指标与可视化：R²、MAE、MSE、MAPE 对比图及误差分析；
预测结果自动保存，便于后续分析与处理；
代码开箱即用，内置示例数据，支持 CSV / Excel 格式数据读取，替换自定义数据集简便快捷。
🚀 研究与应用价值
本框架兼具前沿性、完整性与易用性，模型结构新颖，故事性强，适合发表于核心及以上期刊，具备冲击一区、二区顶刊的潜力。适用于需要高创新性与可靠预测性能的学术研究或工业项目。
