基于贝叶斯(bayes)优化卷积神经网络-门控循环单元(CNN-GRU)回归预测，bayes-CNN-GRU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。

%% 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')';

M = size(P_train, 2);

N = size(P_test, 2);

f_ = size(P_train, 1);

outdim = 1; % 最后一列为输出

%% 数据归一化

[p_train, ps_input] = mapminmax(P_train, 0, 1);

p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);

t_test = mapminmax('apply', T_test, ps_output);

%% 数据平铺

% 将数据平铺成1维数据只是一种处理方式

% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构

% 但是应该始终和输入层数据结构保持一致

p_train = double(reshape(p_train, f_, 1, 1, M));

p_test = double(reshape(p_test , f_, 1, 1, N));

t_train = double(t_train)';

t_test = double(t_test )';

%% 数据格式转换

for i = 1 : M

Lp_train{i, 1} = p_train(:, :, 1, i);

end

for i = 1 : N

Lp_test{i, 1} = p_test( :, :, 1, 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')