贝叶斯优化LSTM做时间序列单输入单输出预测模型，要求数据是单列的时间序列数据，直接替换数据就可以用。 程序语言是matlab，需求最低版本为2021及以上。 程序可以出真实值和预测值对比图，线性拟合图，可打印多种评价指标。

在时间序列预测任务中，如何自动选择最优的模型超参数一直是提升预测精度的关键挑战。本文介绍一套基于贝叶斯优化（Bayesian Optimization）与长短期记忆网络（LSTM）相结合的自动化预测系统。该系统专为单变量时间序列设计，仅需提供一列原始数据即可完成从数据预处理、参数优化、模型训练到结果评估的完整流程，具备高度的易用性与泛化能力。

系统整体架构

该系统采用模块化设计，主要由以下核心组件构成：

1. 数据预处理模块：将原始单列时间序列转换为监督学习格式，通过滑动窗口构建输入-输出样本对；
2. 贝叶斯优化模块：自动搜索LSTM网络的关键超参数组合，以最小化训练集上的预测误差；
3. LSTM建模与训练模块：基于优化所得参数构建并训练最终预测模型；
4. 评估与可视化模块：全面计算多种误差指标（RMSE、MAE、R²），并生成多维度可视化图表。

整个流程无需人工干预超参数调优，显著降低了深度学习模型在时间序列预测中的使用门槛。

数据预处理机制

系统首先读取用户提供的单列时间序列数据（如Excel文件中的“数据集.xlsx”）。随后，通过设定历史窗口长度（kim）和预测步长（zim），将原始序列重构为监督学习所需的输入-输出对。例如，若 kim=15、zim=1，则每15个连续历史值用于预测第16个时间点的值。

贝叶斯优化LSTM做时间序列单输入单输出预测模型，要求数据是单列的时间序列数据，直接替换数据就可以用。 程序语言是matlab，需求最低版本为2021及以上。 程序可以出真实值和预测值对比图，线性拟合图，可打印多种评价指标。

数据集按比例（默认70%）划分为训练集与测试集，并对输入与输出分别进行最小-最大归一化（mapminmax），以提升模型收敛速度与数值稳定性。归一化后的数据被转换为MATLAB深度学习工具箱所需的cell数组格式，适配序列输入要求。

贝叶斯优化驱动的超参数自动调优

传统LSTM模型性能高度依赖超参数选择，如隐藏单元数、初始学习率和L2正则化强度。本系统引入贝叶斯优化作为自动调参引擎，显著优于网格搜索或随机搜索的效率。

优化目标函数（CostFunction）封装了完整的训练-预测-评估闭环：

• 接收一组候选超参数；
• 构建对应LSTM网络（含输入层、LSTM层、ReLU激活、全连接回归层）；
• 在训练集上训练模型（使用Adam优化器，固定训练轮次）；
• 计算训练集上的均方根误差（RMSE）作为目标值返回。

贝叶斯优化器在预设搜索空间内迭代30次（可配置），逐步构建代理模型以预测哪些参数组合更可能带来低误差，最终输出全局近似最优参数集。

模型训练与预测

获得最优超参数后，系统重建LSTM网络并执行完整训练流程，同时启用训练进度可视化。训练完成后，模型分别对训练集和测试集进行预测，并将预测结果反归一化至原始数据尺度，确保误差计算与结果解释的准确性。

多维度性能评估与可视化

系统不仅计算传统指标（RMSE、MAE、决定系数R²），还提供四类可视化分析：

1. 时序对比图：展示训练集与测试集上真实值与预测值的逐点对比；
2. 线性拟合散点图：分别绘制训练集、测试集及全样本的预测值-真实值散点图，并叠加最小二乘拟合直线，直观反映模型拟合优度；
3. 误差分布图：展示测试集各样本的预测误差，便于识别异常点或系统性偏差；
4. 综合指标汇总：在命令行输出所有关键指标，便于快速评估模型性能。

易用性与扩展性

该系统设计简洁，用户仅需替换“数据集.xlsx”中的单列时间序列数据，即可直接运行。代码结构清晰，参数（如窗口长度、训练比例、优化次数等）均集中定义，便于调整。未来可轻松扩展至多变量输入、多步预测或GPU加速训练等场景。

总结

本系统将贝叶斯优化与LSTM深度结合，实现了时间序列预测任务中“数据进、结果出”的端到端自动化流程。其核心价值在于自动化超参数调优与标准化评估体系，既保证了模型性能，又极大提升了开发效率，适用于金融、气象、能源、工业等多种领域的单变量时间序列预测需求。