基于bilstm 时间序列预测模型 交通客流量预测，单输入单输出
先说说数据长啥样——某地铁站每小时客流量记录，csv里就两列：时间戳和人次。咱们要做的是用过去24小时的流量，预测下个小时的情况。简单粗暴的单输入单输出结构，对刚入门的兄弟特别友好。
上硬货！先搞数据预处理：
def create_dataset(data, look_back=24): X, y = [], [] for i in range(len(data)-look_back-1): X.append(data[i:(i+look_back), 0]) y.append(data[i + look_back, 0]) return np.array(X), np.array(y) scaler = MinMaxScaler(feature_range=(0, 1)) dataset = scaler.fit_transform(raw_data) train_size = int(len(dataset) * 0.8) train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:] X_train, y_train = create_dataset(train) X_test, y_test = create_dataset(test)这段代码把原始数据压到0-1之间，用滑动窗口生成时间步数据。注意这里用的是单特征归一化，因为咱们只关心客流量的相对变化趋势。
接下来是模型部分，上BiLSTM的核心代码：
model = Sequential() model.add(Bidirectional(LSTM(64, return_sequences=True), input_shape=(24,1))) model.add(Dropout(0.3)) model.add(Bidirectional(LSTM(32))) model.add(Dense(1)) model.compile(loss='mae', optimizer='adam')这里用了两层双向LSTM，第一层设置return_sequences=True是为了把时间步信息传递给下一层。Dropout设到0.3防止过拟合，毕竟交通数据容易受突发事件干扰。输出层直接接个Dense(1)，因为咱们只要预测下个小时的具体数值。
训练时有个小技巧：
early_stop = EarlyStopping(monitor='val_loss', patience=10) history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.2, callbacks=[early_stop], verbose=0)早停机制很重要，避免在数据量不大时训练过度。实测发现MAE损失函数比MSE更适合客流预测，因为异常值（比如节假日突发大客流）对MAE影响较小。
看下预测效果：
train_predict = model.predict(X_train) test_predict = model.predict(X_test) plt.plot(scaler.inverse_transform(dataset), label='真实值') plt.plot(range(24, 24+len(train_predict)), scaler.inverse_transform(train_predict), label='训练集预测') plt.plot(range(24+len(train_predict), len(dataset)-1), scaler.inverse_transform(test_predict), label='测试集预测')图像显示测试集预测曲线基本贴合真实走势，但在早高峰时段会出现滞后——这是因为模型对突变峰值的响应不够灵敏。后续可以尝试在输入特征里加入天气因素或事件标记来改善。
实际部署时，记得把模型封装成实时预测服务：
def predict_next_hour(data_stream): latest_24h = scaler.transform(np.array(data_stream[-24:]).reshape(-1,1)) prediction = model.predict(latest_24h.reshape(1,24,1)) return scaler.inverse_transform(prediction)[0][0]这个函数接收实时数据流，自动取最后24小时数据做预测。在生产环境中建议加上异常检测，防止传感器故障数据污染预测结果。
踩坑经验：双向LSTM在时间序列预测中虽然强大，但遇到周期性不明显的数据时可能会翻车。建议先用ARIMA这类传统模型做baseline，对比之后再决定要不要上深度学习。另外，GPU加速真香，没卡的同学可以考虑减小batch_size或者用CuDNNLSTM优化速度。
最后放个彩蛋：把模型换成双向GRU，有时预测速度能提升40%且精度基本持平，不信你试试？
