贝叶斯优化GRU做多特征输入单个因变量输出的拟合预测模型。 程序内注释详细，可学习性强。 程序语言为matlab，需求版本至少2020及以上。 直接替换数据就可以用。 程序运行结束可以出优化结果图，预测拟合图，真是值与预测值对比图，可打印多个评价指标，方便分析学习。
最近在项目里折腾时序预测发现个好玩的事儿——用贝叶斯优化调GRU超参数比手动调参效率高十倍。今天手把手教各位用Matlab整活这个多特征输入单输出的智能预测模型，保证代码拿回去直接换数据就能跑。
数据预处理是基本功
先把数据喂进模型前的标准化操作不能少。这里用mapminmax做归一化，防止某些特征值域过大搞乱权重：
% 导入数据（假设数据是N×M表格，最后一列为输出变量y） data = readtable('你的数据.csv'); inputData = data(:,1:end-1); % 前N-1列是特征 outputData = data(:,end); % 最后一列是因变量 % 归一化到[0,1]区间 [normalized_input, input_ps] = mapminmax(inputData', 0, 1); [normalized_output, output_ps] = mapminmax(outputData', 0, 1);这段代码的inputps和outputps保留了归一化参数，预测完成后需要反归一化还原真实值。
构建GRU网络骨架
直接上网络结构定义的核心代码：
function net = create_gru(hiddenUnits, lr) layers = [... sequenceInputLayer(size(normalized_input,1)) % 自动识别特征维度 gruLayer(hiddenUnits,'Name','gru1') dropoutLayer(0.3) % 随机丢弃30%神经元防过拟合 fullyConnectedLayer(1) % 输出单变量 regressionLayer]; options = trainingOptions('adam', ... 'Plots','none', ... 'LearnRateSchedule','piecewise',... 'LearnRateDropPeriod',20); net = trainNetwork(XTrain, YTrain, layers, options); % 占位符，实际在优化循环中调用 end这里埋了个伏笔——hiddenUnits和lr(学习率)后面会被贝叶斯优化自动调参。
贝叶斯优化核心操作
重头戏来了！设置超参数搜索空间：
optimVars = [ optimizableVariable('hiddenUnits', [10, 200], 'Type','integer') optimizableVariable('lr', [1e-4, 1e-2], 'Transform','log') ];然后启动30轮迭代优化：
results = bayesopt(@(params)gruObjectiveFcn(params, XTrain, YTrain),... optimVars, ... 'MaxTime', Inf, ... 'IsObjectiveDeterministic', true, ... 'NumSeedPoints', 5, ... 'PlotFcn', {@plotObjectiveModel,@plotMinObjective});这里的gruObjectiveFcn是自定义的目标函数，核心逻辑是计算验证集RMSE。贝叶斯优化会自动平衡exploration和exploitation，比网格搜索聪明得多。
预测与可视化全家桶
优化完成后直接调用训练好的模型：
% 预测并反归一化 YPred = predict(net, XTest); YPred = mapminmax('reverse', YPred, output_ps); YTest = mapminmax('reverse', YTest, output_ps); % 绘制暴击三连图 figure('Position',[100,100,1200,400]) subplot(1,3,1) plot(optimizationResults) % 优化过程收敛曲线 subplot(1,3,2) plot(YTest,'LineWidth',1.5) hold on; plot(YPred,'--'); % 预测对比曲线 subplot(1,3,3) scatter(YTest, YPred) % 散点图看相关性 hold on; plot([min(YTest),max(YTest)], [min(YTest),max(YTest)], 'k--') % 打印硬核指标 fprintf('RMSE:%.4f\nMAE:%.4f\nR²:%.4f\n', ... sqrt(mean((YPred-YTest).^2)), ... mean(abs(YPred-YTest)), ... 1 - sum((YTest - YPred).^2)/sum((YTest - mean(YTest)).^2));这套组合拳下来，模型表现好坏一目了然。特别是散点图里的45度参考线，偏离越远说明预测偏差越大。
完整代码里我还藏了个彩蛋——在数据划分时用了交叉验证增强泛化性。实际跑代码记得把数据路径换成自己的，特征列数量自由调整无压力。需要改进的话可以尝试在GRU后面叠加全连接层，或者调整贝叶斯优化的Acquisition Function类型。
