（SVR）等，虽然在某些场景中表现良好，但它们在面对复杂、多维度且包含时

序特征的数据时常常力不从心。为了应对这些挑战，越来越多的复杂深度学习模

型被提出并应用，其中包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、

门控循环单元（GRU）、注意力机制（Attention）、以及优化算法（如鲸鱼优化

算法W0A）等。这些先进的技术可以通过深层次的特征提取、时序建模和适应

加权，显著提高回归模型的预测性能。

在多特征回归任务中，数据通常不仅仅是单一特征，而是包含多个特征，这些特

征可能是不同类型（如数值型、类别型等）的组合。处理这些多特征输入数据的