本文是對：

https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/

https://blog.csdn.net/iyangdi/article/details/77877122

兩篇博文的學習筆記，兩個博主筆風都很浪，有些細節一筆帶過，本人以謙遜的態度進行了學習和整理，筆記內容都在程式碼的註釋中。有不清楚的可以去原博主文中檢視。

資料集下載：https://datamarket.com/data/set/22r0/sales-of-shampoo-over-a-three-year-period

後期我會補上我的github

這一節沒有什麼具體內容，其實就是把老外的那篇文章翻譯了一下，主要說了後期我們還有哪些地方可以深入研究，什麼地方可以考慮優化一下，我直接將內容複製過來，稍微看一下就行了

簡單LSTM案例的擴充套件思考

基於Python時間序列LSTM預測系列教程（4）~（5）中介紹的LSTM案例
是最簡單狀態的LSTM，要得到優化的LSTM，需要進行很多擴充套件實驗

1、Mini-Step預測
可以將預測變成n-time step的預測

2、Tune模型
至少tune下神經元個數和epoch的次數
在訓練期間，通過回撥進行早期停止，也可能獲得好的結果

3、Seed狀態
網路狀態的初始化seed方案，可能影響效能

4、更新模型
模型可以在每次walk-forward驗證的時候更新

5、輸入的時間步
需要支援多時間步長的輸入

6、輸入lag屬性
可以將lay作為輸入特徵feature，看能否提升模型效能，類似AR（k）

7、輸入error序列
可以建立誤差序列（通過靜態模型預測誤差），將其作為輸入特徵feature，看能否提升模型效能，類似MA（k）

8、學習非穩定資料
LSTM可能學習到趨勢或週期性，可以通過實驗確定下

9、對比無狀態
可以建立無狀態LSTM進行對比

10、統計特徵
多次repeat計算一些統計值，可以通過相關統計學知識，計算不同模型設定下的效能
--------------------- 
作者：iyangdi 
來源：CSDN 
原文：https://blog.csdn.net/iyangdi/article/details/77877122 
版權宣告：本文為博主原創文章，轉載請附上博文連結！