基于BiLSTM的回归预测方法

0、前言

通过运用BiLSTM算法完成回归预测任务，并对算法中的学习率、迭代次数、batch size以及各层神经元数量等关键参数进行优化调整。

1、BiLSTM模型原理解析

建议参考相关专家对模型的解析，此处不再进行详细说明，请点击原理

2、性能影响参数

神经网络的学习效果会受到学习率、迭代次数、batch size以及各层节点数量等因素的制约。唯有科学地配置相关参数，方能获得相对理想的实验结果。为克服传统经验设定所带来的局限性，可借助优化算法实现对参数的自动寻优。

下图展示了按照经验设定参数后所得到的预测结果

性能评估参数 ：

均方根误差（RMSE）：7.8549
平均绝对偏差（MAE）：6.1429
平均相对百分偏差（MAPE）：1.3486%
决定系数（R²）：0.79258
纳什效率系数（NSE）：0.78