亮点：是不是典型的LSTM，还是基于RNN的LSTM呢？再细看那一部分把
数据集两个：飞机乘客和电力数据集
智能电网中的电力负荷预测基于长时程记忆的复发神经网络
短期：several hours to several weeks ahead.
由于非线性，短期电力的非平稳性和非季节性
小规模电力系统负荷时间序列的精确预测具有挑战性。
LSTM-based RNN is able to exploit the long
term dependencies in the electric load time series for more accurate forecasting
基于LSTM的RNN能够利用长时间电力负荷时间序列中的项相依性准确的预测
实验证明基于LSTM的RNN能够准确地预测具有长期预测水平的复杂电力负荷时间序列。
单变量时间序列
负荷预测仍然是一个挑战。电力负荷预测通常是单变量时间SE。比预测更具挑战性的预测问题
相应的多变量时间序列预测问题。因为没有来自其他数据的附加信息可用于学习的源
非季节性的非线性、非平稳和非季节性在时间上没有明显周期性的手段。
多步超前时间序列预测
n个观测值{xt 1，xt 2，ω，x tn}，多步任务提前预测是利用这些N个记录数据点
预测下一个H数据点{xtn+1，xtn+2，…·，x tn+h }在未来的时间序列中。参数h＞1是预测的地平线。即使在短期电力负荷
预测，预测范围可以非常大，即H>>1。
多步超前时间序列预测三种策略：，即递归策略、直接策略和多输入多输出（MIMO）策略
递归策略：直观且容易。应用于预测的积累是敏感的。误差，特别是当预测范围很大时。在递归策略与前一步预测误差
传播和积累使后来恶化预测精度
直接策略：由于直接策略不使用任何预测值预测输入，不容易累积错误。
但是，H预测模型是分开训练的彼此独立，这可能导致条件H预测值之间的独立性[21]。这样独立效应将阻止预测方法从反映预测的统计依赖性数据会降低预测性能
多输入多输出（MIMO）策略：递归策略和直接策略都是被视为单一输出策略，因为它们映射多个
输入（向量）到单个输出（标量）[18]。 相反，MIMO策略是一种使用多个策略的预测策略
输入以创建多个输出[22]。 随着MIMO战略 - egy，预测结果是一个时间序列（矢量）一个标量。
MIMO策略是有能力的减轻条件独立性问题。 它有保留时间统计依赖的优点预测的时间序列
基于LSTM的RNN预测方案（z这里好像不是典型的LSTM网络
我们将介绍我们的应用实验基于LSTM的电力负荷预测RNN方案。我们比较了提出的基于LSTM的RNN方案与
以下方法：SARIMA，即季节性自动 - gressive综合移动平均模型[32];
NARX哪个是一个非线性自回归神经网络模型，具有exoge-投入[12];
SVR（支持向量回归）就是这样
金融时间序列预测中非常流行的模型[14];和NNETAR是一种前馈神经网络模型用单一隐藏的单变量时间序列预测
层和滞后输入。
使用了两个评估标准作为绩效指标：均方根误差（RMSE）和实际值之间的平均绝对百分比误差（MAPE）
如图5所示，这个数据集是一个强大的非平稳和非季节性的时间
