En los últimos años, se han logrado avances significativos en la predicción de secuencias espacio-temporales, con PredRNN++ emergiendo como un modelo potente debido a su capacidad superior para capturar dependencias temporales complejas. Sin embargo, la naturaleza unidireccional actual de PredRNN++ limita su capacidad para explotar completamente la información temporal inherente en muchas secuencias del mundo real. En esta investigación, proponemos una mejora al modelo PredRNN++ incorporando una red bidireccional, lo que permite al modelo considerar tanto contextos pasados como futuros durante la predicción. Esta extensión bidireccional mejora la capacidad del modelo para predecir secuencias de manera precisa y confiable, especialmente para datos con patrones temporales intrincados. Nuestros resultados experimentales demuestran que el PredRNN++ Bidireccional supera al modelo original en varios conjuntos de datos de referencia, resaltando su potencial para una amplia gama de aplicaciones en el análisis de datos espacio-temporales.