基于RNN梯度消失和梯度爆炸的问题，有学者提出了RNN的变体长短时记忆网络LSTM，LSTM通过改进循环神经网络的内部结构使其能够训练"记忆"更长时间步的信息，遗忘掉不重要的信息。从而改善了循环神经网络RNN梯度消失和梯度爆炸的问题。LSTM的核心思想就是通过3个门结构来舍弃掉一定不必要的信息，保留比较重要的信息，从而实现对长期信息的保存和短期重要信息的关注。但LSTM只能进行单向学习，其对时序靠前的信息学习不足，又无法利用后向的信息，这将对模型准确率产生一定影响。
1997年Schuster提出了双向循环神经网络BiRNN，其由一个正向和反向的循环神经元组成，前向神经元的输出直接作为后向神经元的输入。受到BiRNN的启发，因此学者对LSTM进行改进，提出了双向长短时记忆网络BiLSTM。其在处理序列数据时不仅能访问过去时刻的信息，而且能够访问未来时刻的信息。
双向长短时记忆网络能够利用双向信息更好的处理序列数据，从而提高模型的准确率。鉴于双向长短时记忆网络的优势，本项目采用双向长短时记忆网络对若干时间序列进行预测，包括国际航空旅客人数预测、全球冰储量预测、感染水痘人数预测、极紫外光预测、事故预测和240年的太阳黑子预测，运行环境为MATLAB R2021B，部分代码如下：
clc; clear; close all;
%% ---------------------------- init Variabels ----------------------------
opt.Delays = [1 2 3 4 5 6 7 8 9 10 12 16 20];
opt.dataPreprocessMode = 'Data Standardization'; % 'None' 'Data Standardization' 'Data Normalization'
opt.learningMethod = 'LSTM'; % 'MLP' 'LSTM'
opt.trPercentage = 0.8; % divide data into Test and Train dataset
% ------------- BILSTM parameters
opt.NumOfHiddenLayers = 2; % number of (bi)LSTM layers
opt.NumOfUnitsInFirstlayer = 100; % number of (bi)LSTM units in the first layer
opt.NumOfUnitsInSecondlayer = 100; % number of (bi)LSTM units in the second layer
opt.NumOfUnitsInThirdlayer = 75; % number of (bi)LSTM units in the third layer
opt.NumOfUnitsInFourthlayer = 75; % number of (bi)LSTM units in the forth layer
部分出图如下：
完整代码：MATLAB环境下简单的基于双向长短时记忆网络的时间序列预测
工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。
擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。