bilstm时间序列预测代码

下面是一个简单的双向LSTM时间序列预测代码的示例：

import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import LSTM, Dense, Bidirectional

# 生成时间序列数据
def generate_data():
    # 生成随机的100个数
    xs = np.random.randn(100)
    # 生成一个sin函数的100个点
    ys = np.sin(np.arange(0, 10, 0.1))
    # 用xs和ys生成一个时间序列数据
    data = np.array([xs, ys]).T
    return data

# 将数据分为训练集和测试集
def split_data(data):
    train_size = int(len(data) * 0.8)
    train_data = data[:train_size, :]
    test_data = data[train_size:, :]
    return train_data, test_data

# 将时间序列转换为有监督的学习问题
def create_dataset(data, look_back=1):
    dataX, dataY = [], []
    for i in range(len(data)-look_back-1):
        a = data[i:(i+look_back), :]
        dataX.append(a)
        dataY.append(data[i + look_back, 1])
    return np.array(dataX), np.array(dataY)

# 构建双向LSTM模型
def build_model(look_back):
    model = Sequential()
    model.add(Bidirectional(LSTM(4, input_shape=(look_back, 2))))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model

# 训练模型
def train_model(trainX, trainY):
    model = build_model(trainX.shape[1])
    model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
    return model

# 预测数据
def predict_data(model, dataX):
    predictY = model.predict(dataX)
    return predictY

# 可视化结果
def plot_result(trainY, testY, predictY):
    plt.plot(trainY, color='blue')
    plt.plot(range(len(trainY), len(trainY) + len(testY)), testY, color='green')
    plt.plot(range(len(trainY), len(trainY) + len(testY)), predictY, color='red')
    plt.show()

# 主函数
def main():
    data = generate_data()
    train_data, test_data = split_data(data)
    look_back = 5
    trainX, trainY = create_dataset(train_data, look_back)
    testX, testY = create_dataset(test_data, look_back)
    model = train_model(trainX, trainY)
    predictY = predict_data(model, testX)
    plot_result(trainY, testY, predictY)

if __name__ == '__main__':
    main()

在这个例子中，我们首先生成了一个包含随机数和sin函数的时间序列数据，然后将其分为训练集和测试集。接下来，我们将时间序列数据转换为有监督的学习问题，然后构建一个双向LSTM模型，并使用训练数据训练模型。最后，我们使用测试数据预测未来的值，并将结果可视化。