目录
2 基于Pytorch的Transformer + BiLSTM 预测模型
2.1 定义Transformer + BiLSTM预测模型
往期精彩内容：
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较-CSDN博客
风速预测（二）基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测（三）EMD-LSTM-Attention模型-CSDN博客
风速预测（四）基于Pytorch的EMD-Transformer模型-CSDN博客
风速预测（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
风速预测（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-LSTM + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(Transformer - BiLSTM+ ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-Transformer + ARIMA)-CSDN博客
多特征变量序列预测(一)——CNN-LSTM风速预测模型-CSDN博客
多特征变量序列预测(二)——CNN-LSTM-Attention风速预测模型-CSDN博客
多特征变量序列预测(三)——CNN-Transformer风速预测模型-CSDN博客
前言
本文基于前期介绍的风速数据（文末附数据集），介绍一种多特征变量序列预测模型Transformer + BiLSTM，以提高时间序列数据的预测性能。该数据集一共有天气、温度、湿度、气压、风速等九个变量，通过滑动窗口制作数据集，利用多变量来预测风速。
风速数据集的详细介绍可以参考下文：
1 多特征变量数据集制作与预处理
1.1 导入数据
1.2 数据集制作与预处理
先划分数据集，按照9：1划分训练集和测试集
制作数据集
2 基于Pytorch的Transformer + BiLSTM 预测模型
2.1 定义Transformer + BiLSTM预测模型
注意：输入风速数据形状为 [256, 7, 8]， batch_size=256，7代表序列长度（滑动窗口取值）, 维度8维代表挑选的8个变量。
2.2 设置参数，训练模型
50个epoch，MSE 为0.00084517，多变量特征Transformer-BiLSTM预测效果良好，适当调整模型参数，还可以进一步提高模型预测表现。
注意调整参数：
可以适当增加Transformer层数和隐藏层的维度，微调学习率；
调整BiLSTM层数和维度数，增加更多的 epoch （注意防止过拟合）
可以改变滑动窗口长度（设置合适的窗口长度）
3 模型评估与可视化
3.1 结果可视化
3.2 模型评估
代码、数据如下：
