Las predicciones a partir de datos de series temporales pueden ayudarnos a percibir tendencias de desarrollo y tomar decisiones científicas con anticipación. Los métodos de pronóstico comúnmente utilizados con retropropagación consumen muchos recursos computacionales. La red de estado profundo (DeepESN) es un método de predicción avanzado con una estructura de red neuronal profunda y un algoritmo de entrenamiento sin retropropagación. En este artículo, se propone un algoritmo de optimización bayesiana (BOA) para optimizar DeepESN y abordar el problema del aumento de la escala de parámetros. En primer lugar, DeepESN fue estudiado y construido como el modelo básico de predicción para los datos de series temporales. En segundo lugar, se reconstruyó el BOA, basado en DeepESN, para la búsqueda óptima de parámetros. El algoritmo se propone dentro del marco de DeepESN. En tercer lugar, se realizó un experimento para verificar DeepESN con un BOA en tres conjuntos de datos: datos de simulación generados a partir de programas de computadora, un conjunto de datos de humedad real recopilado de Beijing y un conjunto de datos de carga de energía obtenido de América. En comparación con los modelos de BP (retropropagación), LSTM (memoria a corto plazo), GRU (unidad recurrente con compuertas) y ESN (red de estado de eco), DeepESN obtuvo resultados óptimos, que fueron 0,0719, 18,6707 y 764,5281 utilizando la evaluación de RMSE. Mientras se obtiene una mayor precisión, el tiempo de optimización de BOA fue solo de 323,4 s, 563,2 s y 9854 s para los tres conjuntos de datos. Es más eficiente que la búsqueda en cuadrícula y el optimizador del lobo gris.