bi-lstm时间序列预测python

### 实现Bi-LSTM模型进行时间序列预测

为了利用Python实现Bi-LSTM模型来进行时间序列预测，可以采用Keras库中的TensorFlow作为后端来搭建神经网络结构。以下是具体方法：

#### 数据预处理
在构建任何机器学习或深度学习模型之前，数据准备是一个重要的环节。对于时间序列问题而言，通常会涉及到将原始数据转换成适合输入到LSTM层的形式。

from sklearn.preprocessing import MinMaxScaler
import numpy as np

def create_dataset(dataset, look_back=1):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        dataX.append(a)
        dataY.append(dataset[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(raw_data.values.reshape(-1, 1))

train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

look_back = 1
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# reshape input to be [samples, time steps, features]
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

这段代码展示了如何对时间序列数据进行标准化以及创建滑动窗口形式的数据集[^2]。

#### 构建Bi-LSTM模型
接下来定义Bi-LSTM架构并编译它。这里使用了双向循环层`Bidirectional`包裹住普通的LSTM单元，使得模型能够同时考虑过去和未来的上下文信息。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM, Bidirectional

model = Sequential()
model.add(Bidirectional(LSTM(50, activation='relu'), input_shape=(trainX.shape[1], trainX.shape[2])))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')

此部分实现了Bi-LSTM的基础框架设置，其中包含了单个隐藏层带有50个节点的LSTM单元，并指定了激活函数为ReLU；最后通过一个全连接层输出单一数值的结果。

#### 训练与评估模型
完成上述准备工作之后就可以开始训练过程了。在此期间还需要保存最佳权重以便后续加载最优参数版本用于最终测试阶段。

history = model.fit(trainX, trainY, epochs=200, batch_size=70, validation_data=(testX, testY), verbose=2, shuffle=False)

# make predictions
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

# invert predictions
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])

# calculate root mean squared error
from math import sqrt
from sklearn.metrics import mean_squared_error

print('Train Score: %.2f RMSE' % (sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))))
print('Test Score: %.2f RMSE' % (sqrt(mean_squared_error(testY[0], testPredict[:,0]))))

以上脚本执行了模型拟合操作，并计算出了训练集和测试集中预测值相对于真实值之间的均方根误差(RMSE)，以此衡量模型性能的好坏程度。

#### 可视化结果
为了让人们更直观地理解模型的表现情况，可以通过绘制图表的方式展现出来。

import matplotlib.pyplot as plt

plt.figure(figsize=(14,5))
plt.plot(scaler.inverse_transform(dataset), label="True Value")
plt.plot(np.arange(window_size,len(trainPredict)+window_size), trainPredict, linestyle="--", label="Training Predictions")
plt.plot(np.arange(len(trainPredict)+(window_size*2)+1,len(dataset)-1), testPredict, linestyle="-.", label="Testing Predictions")

plt.title('Time Series Prediction with Bi-LSTM Model')
plt.xlabel('Date Index')
plt.ylabel('Value')
plt.legend()
plt.show()

该绘图命令显示了整个时间段内的实际观测值曲线及其对应的训练期和检验期内由Bi-LSTM所得到的估计轨迹[^3]。