PyTorch基于 GRU+ KAN（Kolmogorov-Arnold Network）的时间序列预测模型

一、研究背景时间序列预测（如风电场功率、电力负荷）对能源调度与安全至关重要。传统 GRU 虽能捕获时序依赖，但全连接输出层对复杂非线性映射能力有限。KAN（Kolmogorov-Arnold Networks）以可学习的样条函数替代固定激活函数，具备更强的非线性拟合能力和可解释性。本代码构建GRU + Efficient-KAN混合模型，用 KAN 取代 GRU 的线性输出层，在保持时序记忆的同时显著提升多步预测精度。二、主要功能灵活的输入/输出模式：支持单/多特征输入、单步/多步预测，通过调整n_in、n_out即可切换任务类型。自动化数据构造：data_collation函数实现滑动窗口采样，自动生成 “历史特征 → 未来目标” 的监督样本。GRU-KAN 模型训练与评估：集成 GRU 时序编码与 Efficient-KAN 解码，提供 MSE Loss 训练、六项指标评估（MSE、RMSE、MAE、MAPE、R²）。可视化输出：绘制损失下降曲线、预测-真实对比图，并以 PrettyTable 打印评估表。三、算法步骤数据读取与特征提取：读取 Excel/CSV，提取指