本文是对：
https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/
https://blog.csdn.net/iyangdi/article/details/77877122
两篇博文的学习笔记，两个博主笔风都很浪，有些细节一笔带过，本人以谦逊的态度进行了学习和整理，笔记内容都在代码的注释中。有不清楚的可以去原博主文中查看。
数据集下载：https://datamarket.com/data/set/22r0/sales-of-shampoo-over-a-three-year-period
后期我会补上我的github
这一节没有什么具体内容，其实就是把老外的那篇文章翻译了一下，主要说了后期我们还有哪些地方可以深入研究，什么地方可以考虑优化一下，我直接将内容复制过来，稍微看一下就行了
简单LSTM案例的扩展思考
基于Python时间序列LSTM预测系列教程（4）~（5）中介绍的LSTM案例
是最简单状态的LSTM，要得到优化的LSTM，需要进行很多扩展实验
1、Mini-Step预测
可以将预测变成n-time step的预测
2、Tune模型
至少tune下神经元个数和epoch的次数
在训练期间，通过回调进行早期停止，也可能获得好的结果
3、Seed状态
网络状态的初始化seed方案，可能影响性能
4、更新模型
模型可以在每次walk-forward验证的时候更新
5、输入的时间步
需要支持多时间步长的输入
6、输入lag属性
可以将lay作为输入特征feature，看能否提升模型性能，类似AR（k）
7、输入error序列
可以建立误差序列（通过静态模型预测误差），将其作为输入特征feature，看能否提升模型性能，类似MA（k）
8、学习非稳定数据
LSTM可能学习到趋势或周期性，可以通过实验确定下
9、对比无状态
可以建立无状态LSTM进行对比
10、统计特征
多次repeat计算一些统计值，可以通过相关统计学知识，计算不同模型设置下的性能
---------------------
作者：iyangdi
来源：CSDN
原文：https://blog.csdn.net/iyangdi/article/details/77877122
版权声明：本文为博主原创文章，转载请附上博文链接！