# 时序预测 | MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络时间序列预测

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

## ⛄ 部分代码

clc;clear;close all;  train_y_feature_label=y_feature_label1(index_label(1:train_num),:);

vaild_y_feature_label=y_feature_label1(index_label(train_num+1:vaild_num),:);

test_y_feature_label=y_feature_label1(index_label(vaild_num+1:end),:);

%%

train_y=train_y_feature_label;  train_y(find(train_y==0))=0.1;  %防止分母为0

train_MAE=sum(sum(abs(y_train_predict-train_y)))/size(train_y,1)/size(train_y,2) ; disp(['训练集平均绝对误差MAE：',num2str(train_MAE)])

train_MAPE=sum(sum(abs((y_train_predict-train_y)./train_y)))/size(train_y,1)/size(train_y,2); disp(['训练集平均相对误差MAPE：',num2str(train_MAPE)])

train_MSE=(sum(sum(((y_train_predict-train_y)).^2))/size(train_y,1)/size(train_y,2)); disp(['训练集均方根误差MSE：',num2str(train_MSE)])

train_RMSE=sqrt(sum(sum(((y_train_predict-train_y)).^2))/size(train_y,1)/size(train_y,2)); disp(['训练集均方根误差RMSE：',num2str(train_RMSE)])

train_R2 = 1 - mean(norm(train_y - y_train_predict)^2 / norm(train_y - mean(train_y))^2);   disp(['训练集均方根误差R2：',num2str(train_R2)])

vaild_y=vaild_y_feature_label;vaild_y(find(vaild_y==0))=0.1;  %防止分母为0

vaild_MAE=sum(sum(abs(y_vaild_predict-vaild_y)))/size(vaild_y,1)/size(vaild_y,2) ; disp(['验证集平均绝对误差MAE：',num2str(vaild_MAE)])

vaild_MAPE=sum(sum(abs((y_vaild_predict-vaild_y)./vaild_y)))/size(vaild_y,1)/size(vaild_y,2); disp(['验证集平均相对误差MAPE：',num2str(vaild_MAPE)])

vaild_MSE=(sum(sum(((y_vaild_predict-vaild_y)).^2))/size(vaild_y,1)/size(vaild_y,2)); disp(['验证集均方根误差MSE：',num2str(vaild_MSE)])

vaild_RMSE=sqrt(sum(sum(((y_vaild_predict-vaild_y)).^2))/size(vaild_y,1)/size(vaild_y,2)); disp(['验证集均方根误差RMSE：',num2str(vaild_RMSE)])

vaild_R2 = 1 - mean(norm(vaild_y - y_vaild_predict)^2 / norm(vaild_y - mean(vaild_y))^2);   disp(['验证集均方根误差R2：',num2str(vaild_R2)])

test_y=test_y_feature_label;test_y(find(test_y==0))=0.1;  %防止分母为0

test_MAE=sum(sum(abs(y_test_predict-test_y)))/size(test_y,1)/size(test_y,2) ; disp(['测试集平均绝对误差MAE：',num2str(test_MAE)])

test_MAPE=sum(sum(abs((y_test_predict-test_y)./test_y)))/size(test_y,1)/size(test_y,2); disp(['测试集平均相对误差MAPE：',num2str(test_MAPE)])

test_MSE=(sum(sum(((y_test_predict-test_y)).^2))/size(test_y,1)/size(test_y,2)); disp(['测试集均方根误差MSE：',num2str(test_MSE)])

test_RMSE=sqrt(sum(sum(((y_test_predict-test_y)).^2))/size(test_y,1)/size(test_y,2)); disp(['测试集均方根误差RMSE：',num2str(test_RMSE)])

test_R2 = 1 - mean(norm(test_y - y_test_predict)^2 / norm(test_y - mean(test_y))^2);   disp(['测试集均方根误差R2：',num2str(test_R2)])

%%

figure;

num=12;

if num>size(test_y,2)

num=size(test_y,2);

end

plot(test_y(:,num))

hold on

plot(y_test_predict(:,num))

legend('True','predict')

## ⛄ 参考文献

[1] 罗  勇, 荣  娜, 詹献文. 基于CNN-GRU的配电网中压馈线合环电流预测研究[J]. 应用数学进展, 2022, 11(7):17.

[2] 史玉良, 陈智智, 张坤. 基于GRU优化用电信息采集终端故障预测模型的方法及系统:, CN110335168A[P]. 2019.

[3] 李鸿雁, 苏庭波. 基于贝叶斯网络和卷积神经网络的手绘草图识别方法[J]. 西南师范大学学报：自然科学版, 2019, 44(9):7.

[4] 曾蔚, 吴伊萍. 一种基于卷积神经网络和贝叶斯网络的用户行为预测算法[J]. 安阳师范学院学报, 2019(2):6.

[5] 周洁超. 基于贝叶斯网络的时间序列预测[D]. 大连海事大学, 2016.

## ⛳️ 代码获取关注我

##### ❤️ 关注我领取海量matlab电子书和数学建模资料

|
4天前
|

markdown 探索烟草香型分类：使用Matlab2022a中的BP神经网络结合小波变换。小波分析揭示香气成分的局部特征，降低维度，PCA等用于特征选择。BP网络随后处理这些特征，以区分浓香、清香和中间香型。 
11 1
|
5天前
|

12 0
|
5天前
|

m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真

15 0
|
6天前
|

YOLOv2算法应用于昆虫检测，提供实时高效的方法识别和定位图像中的昆虫，提升检测精度。核心是统一检测网络，预测边界框和类别概率。通过预测框尺寸估算昆虫大小，适用于农业监控、生态研究等领域。在matlab2022A上运行，经过关键升级，如采用更优网络结构和损失函数，保证速度与精度。持续优化可增强对不同昆虫的检测能力。![image.png](https://ucc.alicdn.com/pic/developer-ecology/3tnl7rfrqv6tw_e760ff6682a3420cb4e24d1e48b10a2e.png)
14 0
|
8天前
|

12 0
|
9天前
|

23 3
|
9天前
|

17 1
|
13天前
|

49 8
|
4天前
|

【6月更文挑战第14天】本文深度解析卷积神经网络（CNN）的工作原理。CNN由输入层、卷积层、激活函数、池化层、全连接层和输出层构成。卷积层通过滤波器提取特征，激活函数增加非线性，池化层降低维度。全连接层整合特征，输出层根据任务产生预测。CNN通过特征提取、整合、反向传播和优化进行学习。尽管存在计算量大、参数多等问题，但随着技术发展，CNN在计算机视觉领域的潜力将持续增长。
23 3
|
5天前
|

【从零开始学习深度学习】23. CNN中的多通道输入及多通道输出计算方式及1X1卷积层介绍
【从零开始学习深度学习】23. CNN中的多通道输入及多通道输出计算方式及1X1卷积层介绍
19 2