关于BiLSTM在时间序列预测中的应用疑问

嘿，我完全懂你的困惑——毕竟从直觉上看，BiLSTM的反向层要用到未来数据，这在测试阶段好像根本没法实现对吧？

你说的一点没错：BiLSTM里的反向LSTM层确实会从未来时间步的样本中学习，还会把隐藏状态传递给前面的样本，这在训练时没问题，因为我们手握完整的时序数据集，但如果是做实时的测试预测，看起来确实拿不到“未来”的信息，这就很矛盾了。

那为啥还有这么多研究用BiLSTM做时间序列预测呢？其实是场景的问题，给你拆解几个常见的原因：

• 序列标注类时序任务：很多研究里的“时间序列预测”其实是序列标注任务，比如语音识别、工业数据的异常检测（给每个时间步打异常标签）、文本的词性标注这类。这类任务中，测试时也是输入完整的一段序列，比如一段完整的语音、一整段采集的工业时序数据，这时候BiLSTM就能同时结合过去和未来的上下文信息，提升每个时间步的预测精度，完全不存在未来数据不可得的问题。
• 离线全序列预测场景：有些任务是离线处理的——我们已经拿到了完整的时序数据，要对序列中的每个点做预测（比如事后分析股票走势，判断每个时间点的买卖信号），这时候和训练阶段一样，整个序列都是已知的，BiLSTM的双向优势就能发挥出来。
• 多步预测的特定玩法：在一些多步预测任务中，比如要一次性预测未来多个时间点的值，有些研究会把待预测的序列位置也作为模型输入的一部分（训练时用真实值，测试时可能用迭代预测的结果填充，或者用其他方式生成伪未来数据），这种情况下BiLSTM的双向信息也能帮上忙。
• 双向特征提取的价值：哪怕是做单步实时预测，有些研究也会先用BiLSTM提取时序数据中的双向依赖特征，再把这些特征喂给其他专门做单步预测的模块，利用BiLSTM捕捉前后关联模式的能力，来提升整体预测效果，而不是直接用BiLSTM输出预测结果。

总结一下：你担心的“测试时没法用”，其实是针对在线实时单步预测这类场景，这种情况下BiLSTM确实不如单向LSTM实用，但很多研究的时间序列预测场景并不是这种实时预测，所以BiLSTM才有它的用武之地。

备注：内容来源于stack exchange，提问作者learning-man