最近在时间序列预测的项目里折腾了个贝叶斯优化的BP神经网络模型，记录点实战经验。直接上代码干货，边写边聊踩过的坑

贝叶斯优化BP神经网络实战

原创于 2025-11-23 09:45:00 发布 · 299 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#新媒体运营

贝叶斯（Bayes)-BP时序预测模型（MATLAB程序＋报告） 1．环境初始化：程序开始时清空所有变量，关闭所有图窗和警告信息，为数据处理提供一个干净的环境。 2．数据导入：从Excel文件数据集．x1sx`中导入时间序列数据。 3．数据集构造：使用历史数据作为自变量，通过设定的延时步长和预测跨度构造数据集，为机器学习模型提供训练数据。 4．数据集分析和划分：将数据集分为训练集和测试集，用于模型训练和验证。 5．数据归一化：对训练集和测试集数据进行归一化处理，使模型训练更稳定。 6. 贝叶斯优化：使用贝叶斯优化算法自动寻找神经网络的最优超参数，如隐藏层节点数和学习率。 7．网络训练和预测：使用优化后的参数配置训练前馈神经网络，并对训练集和测试集进行预测。 8．评价指标计算：计算模型在训练集和测试集上的均方根误差（RMSE)、相关系数（R^2)、平均绝对误差（MAE)、平均偏差误差（MBE）和平均绝对百分比误差（MAPE)。 9．结果可视化：绘制预测结果与真实值的对比图，以及贝叶斯优化过程中适应度值的变化。

环境初始化

上来先给MATLAB来个大扫除，防止变量污染：

clc; clear; close all;
warning('off','all');  % 堵住各种warning弹窗

这波操作像不像每次做饭前先把灶台擦干净？强迫症患者表示极度舒适。

数据导入的玄学

读取Excel时文件名打错是保留节目：

rawData = xlsread('数据集.x1sx');  % 注意这个诡异的x1sx后缀
% 此处应有灵魂拷问：为什么总有人把xlsx打成x1sx？

建议直接暴力改名文件，避免在代码里玩大家来找茬。

时间序列变形记

把一维时间序列掰成监督学习需要的二维结构：

delay = 3;  % 时间滑窗
forecastStep = 1;  % 预测步长

X = []; Y = [];
for i = 1:length(rawData)-delay-forecastStep
    X = [X; rawData(i:i+delay-1)'];
    Y = [Y; rawData(i+delay+forecastStep)];
end

这操作相当于把时间轴折叠成特征维度，类似把视频帧拆成连续画面组。注意delay设置别太贪心，否则维度爆炸警告。

数据分割的哲学

7:3分训练测试集是基本礼仪：

splitPoint = floor(0.7*size(X,1));
trainX = X(1:splitPoint,:); 
testX = X(splitPoint+1:end,:);
% 此处应有沉思：时间序列真的能随机分割吗？

对于强时序相关的数据，建议用前70%预测后30%，避免未来信息泄露。

归一化的秘密战争

标准化处理藏着魔鬼细节：

[XTrain, ps] = mapminmax(trainX', 0, 1);
XTest = mapminmax('apply', testX', ps);
% 重要知识点：测试集必须用训练集的缩放参数！

见过太多人直接整体归一化，结果测试时模型性能虚高——妥妥的数据泄露车祸现场。

贝叶斯优化：黑盒调参神器

让算法自己找最优网络结构：

optimVars = [
    optimizableVariable('hiddenLayerSize', [5, 50], 'Type','integer')
    optimizableVariable('lr', [1e-4, 1e-2], 'Transform','log')
];

objFcn = @(params)trainNet(params, XTrain, YTrain);  % 自定义训练函数
results = bayesopt(objFcn, optimVars, 'MaxTime', 300);

贝叶斯优化像自动驾驶找路，比网格搜索聪明太多。遇到过在30维参数空间里乱窜的网格搜索吗？那场面堪比无头苍蝇。

网络训练的反常识

最优参数到手后反而要用简单配置：

bestParams = results.XAtMinObjective;
net = feedforwardnet(bestParams.hiddenLayerSize);
net.trainParam.lr = bestParams.lr;
net = train(net, XTrain, YTrain);

这里有个反直觉现象：复杂网络在验证集表现好，但实际预测可能过拟合。所以最后用全量数据训练时，控制住你的调参之魂！

预测与反归一化的仪式感

预测完记得把数据掰回原形：

YPred = net(XTest);
YPred = mapminmax('reverse', YPred, ps);  % 数据逆变换
% 忘记这步的话，误差计算直接崩到外太空

误差指标的群殴现场

五大指标全面围剿模型误差：

rmse = sqrt(mean((YTest - YPred).^2));
r2 = 1 - sum((YTest - YPred).^2)/sum((YTest - mean(YTest)).^2);
mae = mean(abs(YTest - YPred));
mbe = mean(YTest - YPred);  % 正负偏差抵消警告
mape = mean(abs((YTest - YPred)./YTest))*100;

这时候才懂为什么论文里都挑表现最好的指标写——其他几个可能惨不忍睹。

可视化の美学暴力

最后用图形魔法让结果看起来专业：

subplot(2,1,1)
plot(YTest,'LineWidth',1.5); hold on;
plot(YPred,'--'); 
legend('真实值','预测值','Location','northwest')

subplot(2,1,2)
plot(results.ObjectiveTrace,'r-o')
title('贝叶斯优化进化史')

画图技巧：预测线要用虚线，坐标轴标签字号调大，不然投论文时编辑会说"图片看不清"。