1.Matlab实现贝叶斯优化CNN-BiLSTM时间序列预测，BO-CNN-BiLSTM/Bayes-CNN-BiLSTM； 所有程序经过验证，保证原始程序运行。 MATLAB实现BO-CNN-BiLSTM贝叶斯优化卷积神经网络-双向长短期记忆网络时间序列预测。 基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-BiLSTM)时间序列预测，BO-CNN-BiLSTM/Bayes-CNN-BiLSTM时间序列预测模型。 2.数据为单变量时间序列数据，main.m是主其余为函数文件，无需运行； 3.贝叶斯优化参数为：学习率，隐含层节点，正则化参数； 4.评价指标包括:R2、MAE、MSE、RMSE和MAPE等； 5.运行环境matlab2020b及以上。
在时间序列预测的领域里，结合不同强大的模型往往能带来意想不到的效果。今天咱们就来聊聊利用 Matlab 实现贝叶斯优化的卷积神经网络 - 双向长短期记忆网络（BO - CNN - BiLSTM 或者叫 Bayes - CNN - BiLSTM）进行时间序列预测的奇妙旅程。
数据基础：单变量时间序列数据
本次实验采用的是单变量时间序列数据。这意味着我们关注的时间序列只有一个变量随时间变化，相对来说，数据结构上没那么复杂，但也能很好地展示模型的预测能力。
代码结构：main.m 与函数文件
在整个项目里，main.m是核心主文件，其他的都是函数文件。咱们只需要运行main.m就好，那些函数文件作为辅助功能，无需单独运行。这种结构很清晰，就像一个有条理的工作流程，主文件负责指挥调度，函数文件各司其职完成特定任务。
贝叶斯优化的参数魔法
贝叶斯优化在这个模型里起着关键作用，它优化的参数包括学习率、隐含层节点数以及正则化参数。
学习率
学习率决定了模型在每次迭代中参数更新的步长。如果学习率太大，模型可能会在最优解附近来回跳跃，无法收敛；要是太小，模型的训练速度就会超级慢。在 Matlab 里，我们可以通过以下类似代码来设置学习率：
% 设置初始学习率 learningRate = 0.001;这里设置了一个初始学习率为0.001，贝叶斯优化会在训练过程中尝试不同的值，找到最合适的那个。
隐含层节点数
隐含层节点数就像是模型内部的“思考神经元”数量。节点数太少，模型可能无法学习到数据中的复杂模式；节点数太多，又容易导致过拟合，对新数据的泛化能力变差。
% 定义隐含层节点数范围 hiddenNodesRange = [10, 50];这里定义了隐含层节点数可以在10到50之间变动，贝叶斯优化会在这个范围内寻找最佳值。
正则化参数
正则化参数是用来防止模型过拟合的。它对模型的复杂度进行惩罚，让模型更倾向于简单的解，从而提高泛化能力。
% 设置正则化参数 lambda = 0.0001;同样，贝叶斯优化会对这个值进行调整，找到最优的正则化强度。
评价指标：全面衡量模型表现
为了全面评估 BO - CNN - BiLSTM 模型的预测效果，我们采用了多个评价指标，包括 R2、MAE、MSE、RMSE 和 MAPE 等。
R2（决定系数）
R2 衡量的是模型的拟合优度，取值范围在 0 到 1 之间，越接近 1 说明模型对数据的拟合效果越好。在 Matlab 里计算 R2 可以用类似下面的代码：
% 假设 yTrue 是真实值，yPred 是预测值 SSR = sum((yPred - mean(yTrue)).^2); SST = sum((yTrue - mean(yTrue)).^2); R2 = 1 - SSR / SST;MAE（平均绝对误差）
MAE 计算的是预测值与真实值之间绝对误差的平均值，能直观反映预测值偏离真实值的程度。
MAE = mean(abs(yTrue - yPred));MSE（均方误差）
MSE 是预测值与真实值之间误差平方的平均值，对较大的误差给予更大的权重。
MSE = mean((yTrue - yPred).^2);RMSE（均方根误差）
RMSE 是 MSE 的平方根，和 MAE 类似，但因为对误差进行了平方再开方，同样更注重较大的误差。
RMSE = sqrt(MSE);MAPE（平均绝对百分比误差）
MAPE 计算的是预测误差的百分比平均值，能更好地反映预测值的相对误差。
MAPE = mean(abs((yTrue - yPred)./ yTrue)) * 100;运行环境：Matlab 2020b 及以上
最后要注意的是，这个程序需要在 Matlab 2020b 及以上版本运行。新版本的 Matlab 通常会有更高效的算法实现、更好的函数库支持，能让我们的 BO - CNN - BiLSTM 模型运行得更加顺畅。
通过贝叶斯优化 CNN - BiLSTM 进行时间序列预测，利用 Matlab 强大的计算和绘图功能，我们可以深入探索时间序列数据背后的规律，为各种实际应用提供精准的预测支持。希望大家也能在自己的项目里试试这个有趣又强大的方法！
