基于BILSTM时间序列预测 python程序

 基于BILSTM时间序列预测 python程序

 

特色：1、单变量，多变量输入，自由切换

          2、单步预测，多步预测，自动切换

          3、基于Pytorch架构

          4、多个评估指标（MAE,MSE,R2,MAPE等）

           5、数据从excel文件中读取，更换简单

          6、标准框架，数据分为训练集、验证集，测试集

 

 ​

全部完整的代码，保证可以运行的代码看这里。

http://t.csdnimg.cn/El450

 

  ！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。

（搜索到的产品后，点头像，就能看到全部代码）

黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主

 

 

BILSTM（Bidirectional Long Short-Term Memory）模型是对LSTM模型（Long Short-Term Memory）的改进，同样是双向循环神经网络。LSTM模型通过引入输入门、遗忘门和输出门等机制，有效地解决了长期依赖的问题，更适合处理时间序列数据。与LSTM模型不同的是，BILSTM模型通过前向和反向两个方向的LSTM隐含状态来寻找当前时刻的输出，从而更好地表示了时间序列数据的上下文信息。

在BILSTM模型中，前向和反向两个LSTM隐含状态通过拼接形成最终的输出，从而获得更全面的时间序列数据表示。相对于单向LSTM模型，BILSTM模型可以更有效地利用历史信息，从而提高序列数据的建模能力和预测性能。

BILSTM模型的优点包括：

1. 通过引入输入门、遗忘门和输出门等机制，LSTM模型能够有效地解决长期依赖的问题，提高序列数据的建模能力和预测性能。
2. 与单向LSTM模型相比，BILSTM模型能够更充分地利用历史信息，获得更全面的时间序列数据表示，并进而提高预测性能。 因此，BILSTM模型是一种适用于时间序列预测的有效模型，在文本分析、语音识别、情感分析等领域具有广泛的应用。

class BiLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, batch_size, device="cpu"):
        super().__init__()
        self.device = device
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True, bidirectional=True)

    def forward(self, input_seq):
        batch_size, seq_len = input_seq.shape[0], input_seq.shape[1]
        h_0 = torch.randn(self.num_layers*2, batch_size, self.hidden_size).to(self.device)
        c_0 = torch.randn(self.num_layers*2, batch_size, self.hidden_size).to(self.device)
        output, (h,c) = self.lstm(input_seq, (h_0, c_0))
        return output, h