基于贝叶斯(bayes)优化卷积神经网络-双向长短期记忆网络(CNN-BILSTM)回归预测，bayes-CNN-BILSTM多输入单输出模型。

优化参数为：学习率，隐含层节点，正则化参数。评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

%% CNN-BILSTM多变量回归预测

%% 清空环境变量

warning off % 关闭报警信息

close all % 关闭开启的图窗

clear % 清空变量

clc % 清空命令行

%% 导入数据

P_train = xlsread('data','training set','B2：G191')';

T_train= xlsread('data','training set','H2：H191')';

% 测试集——44个样本

P_test=xlsread('data','test set','B2:G45')';

T_test=xlsread('data','test set','H2:H45')';

%% 划分训练集和测试集

M = size(P_train, 2);

N = size(P_test, 2);

%% 数据归一化

[inputn_train,inputps]=mapminmax(P_train);

inputn_test=mapminmax('apply',P_test,inputps);

[outputn_train,outputps]=mapminmax(T_train);

outputn_test=mapminmax('apply',T_test,outputps);

%% 创建元胞或向量，长度为训练集大小；

XrTrain = cell(size(inputn_train,2),1);

YrTrain = zeros(size(outputn_train,2),1);

for i=1:size(inputn_train,2)

XrTrain{i,1} = inputn_train(:,i);

YrTrain(i,1) = outputn_train(:,i);

end

% 创建元胞或向量，长度为测试集大小；

XrTest = cell(size(inputn_test,2),1);

YrTest = zeros(size(outputn_test,2),1);

for i=1:size(P_test,2)

XrTest{i,1} = inputn_test(:,i);

YrTest(i,1) = outputn_test(:,i);

end

%% 优化算法参数设置

%参数取值上界(学习率，隐藏层节点，正则化系数)

fitness = @fical;

%% 贝叶斯优化参数范围

optimVars = [

optimizableVariable('NumOfUnits', [10, 50], 'Type', 'integer')