一、基础

    双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）是一种改进的循环神经网络（Recurrent Neural Network, RNN），专门设计用于处理序列数据。BiLSTM 能够通过结合前向和后向两个 LSTM 网络的输出来捕捉序列中的双向依赖关系。

基本概念
LSTM
    长短期记忆网络（LSTM）是一种特殊的 RNN，能够学习长期依赖关系。LSTM 通过引入门机制（输入门、遗忘门和输出门）来克服传统 RNN 在处理长序列时的梯度消失和梯度爆炸问题。

LSTM 的基本结构包括：

遗忘门（Forget Gate）：决定丢弃多少来自先前时刻的信息。
输入门（Input Gate）：决定当前时刻的信息有多少被写入到细胞状态中。
输出门（Output Gate）：决定输出多少信息到下一个时刻。
双向 LSTM
BiLSTM 在每个时间步运行两个独立的 LSTM，一个从序列的开始到结束（前向 LSTM），另一个从序列的结束到开始（后向 LSTM）。这两个 LSTM 的输出结合在一起，能够同时考虑前后文信息。

BiLSTM 的结构
BiLSTM 的架构如下所示：

二、代码

     整理了基于BiLSTM模型的时间序列预测python代码，该代码注释十分齐全，采用RMSE、MAE、MAPE和R2等多种评价指标，效果优异，适合想发文章的同学。

+---------------------+--------------------+--------------------+--------------------+--------------------+--------------------+

|   测试集指标   |    MSE     |    RMSE    |    MAE     |    MAPE    |     R2     |

+---------------------+--------------------+--------------------+--------------------+--------------------+--------------------+

| 第1步预测结果指标： | 340.85816198526646 | 18.462344433610443 | 14.02510238647461 | 6.392142945361982% | 40.35327013184293% |

| 第2步预测结果指标： | 538.000679078775 | 23.19484164806423 | 17.592491099039712 | 8.111656763794143% | 8.349580248821232% |

+---------------------+--------------------+--------------------+--------------------+--------------------+--------------------+

值得注意的是，该模型根据需要可以更改为：

 单输
入单步预测，
 单输入多步预测，
 多输入单步预测，
 多输入多步预测，

  希望对大家有所帮助，有兴趣的朋友，欢迎关注笔者主页龚重号：年轻的战场ssd，回复:BiLSTM的多步时间序列预测。一起交流，学习进步！！！