Bayes-CNN-LSTM、Bayes-CNN-BiLSTM、Bayes-CNN-GRU、B...

Bayes-CNN-LSTM、Bayes-CNN-BiLSTM、Bayes-CNN-GRU、Bayes-CNN-BiGRU回归(四选一)(可以更换为分类/单、多变量时序预测，前)，Matlab代码，可直接运行，适合小白新手程序已经调试好，无需更改代码替换数据集即可运行数据格式为excel Bayes也可以优化CNN-LSTM-Attention,CNN-BiLSTM-Attention，CNN-GRU-Attention,CNN-BiGRU-Attention模型回归，分类，时序预测() 1、运行环境要求MATLAB版本为2019b及其以上 2、评价指标包括:R2、MAE、MAPE、MSE、RPD、RMSE等，图像非常丰富，符合您的需要 3、代码中文注释清晰，质量极高 4、测试数据集，可以直接运行源程序替换你的数据即可用适合新手小白 5、保证源程序运行，

最近在折腾时序预测项目时发现，很多同学卡在超参数优化这个环节。今天就以电力负荷预测场景为例，手把手演示如何用Matlab玩转贝叶斯优化（Bayesian Optimization）自动调参的CNN-BiLSTM模型。无需手动调参，运行即出结果，特别适合刚接触时序预测的新手。

先看效果：我们使用某电网公司提供的15天电力负荷数据（采样间隔15分钟），在未经任何调参的情况下，贝叶斯优化后的模型MAPE直接压到3.8%。下图展示了预测值与真实值的贴合程度：

! $电力负荷预测结果对比图$

核心代码结构其实非常简单，主要分为三个模块：

matlab 复制代码

% 数据预处理（关键步骤）
data = readtable('power_load.xlsx');
[XTrain, YTrain, XTest, YTest] = splitData(data, 0.8); % 8:2拆分
[XTrainNorm, mu, sigma] = zscore(XTrain); % 标准化处理

% 贝叶斯优化配置
params = optimizableVariable('InitialLearnRate',[1e-3, 1e-1],'Transform','log');
objFcn = @(params)trainCNNBiLSTM(XTrainNorm, YTrain, params); 
results = bayesopt(objFcn, params, 'MaxTime', 3600); % 优化1小时

% 最佳模型训练
bestParams = results.XAtMinObjective;
net = trainCNNBiLSTM(XTrainNorm, YTrain, bestParams);

这里有个有意思的设计技巧：在目标函数内部，我们让CNN自动提取空间特征（比如不同传感器间的关联），BiLSTM捕捉时间序列的前后依赖。代码里用了1D卷积层处理时序特征：

matlab 复制代码

function net = createModel(inputSize, numHiddenUnits)
    layers = [
        sequenceInputLayer(inputSize)
        convolution1dLayer(3, 64, 'Padding', 'same') % 关键特征提取层
        batchNormalizationLayer
        lstmLayer(numHiddenUnits*2, 'OutputMode', 'sequence')
        bilstmLayer(numHiddenUnits) % 双向结构捕捉前后关联
        fullyConnectedLayer(1)
        regressionLayer];
    net = trainNetwork(XTrain, YTrain, layers, options);
end

关于评价指标的计算，这里有个实用的小技巧------用结构体存储各项指标，方便后续对比：

matlab 复制代码

function metrics = calculateMetrics(YReal, YPredict)
    metrics.R2 = 1 - sum((YReal - YPredict).^2)/sum((YReal - mean(YReal)).^2);
    metrics.MAE = mean(abs(YReal - YPredict));
    metrics.RMSE = sqrt(mean((YReal - YPredict).^2));
    % 生成误差分布直方图
    figure;
    histogram(YReal - YPredict, 'BinWidth', 0.5);
    title('预测误差分布');
end

实际运行时会输出这样的优化过程图：

! $贝叶斯优化迭代过程图$

注意事项：

数据格式要求首列为时间戳，中间为特征列，最后一列为预测目标
若遇到"内存不足"报错，尝试减小BatchSize（代码第32行可修改）
想尝试注意力机制，在模型结构中加入attentionLayer('softmax')即可
分类任务只需修改最后的regressionLayer为classificationLayer

建议新手直接拿示例数据跑通后，再替换自己的数据集。代码包里已经包含电力负荷的示例数据（带完整注释），替换时保持列结构一致即可。需要完整代码的同学在评论区留言，看到会发下载链接。

最后展示下各指标的可视化呈现方式：

! $指标雷达图$

! $特征重要性热力图$