lstm网络一般训练多少轮_负荷预测怎么做，循环神经网络来支招

之前连载的负荷预测，都是使用传统机器学习的方法，这一期我们将使用工业领域中大放异彩的循环神经网络：长短期记忆网络(LSTM)。

LSTM是一种时间递归神经网络，适用于处理和预测时间序列，基于LSTM的系统可以进行机器翻译，语音识别，文本识别，诗歌合成，自动驾驶等任务。电量的负荷值也是一个时间序列，使用LSTM的预测效果如何？今天小编带大家来看一下。

LSTM模型介绍

相对RNN，LSTM的结构更复杂。如图一所示：LSTM由三个门组成：遗忘门，输入门和输出门。遗忘门决定有多少信息被忘记，输入门决定保留哪些信息，输出门输出结果。LSTM就是在RNN的基础上，增加了对过去状态的过滤，从而可以选择哪些状态对当前更有影响，而不是简单的选择最近的状态。

在训练的过程中，RNN的训练特别困难，因为RNN梯度被表示为连成积的形式，导致梯度消失。而LSTM则很好的解决了这个问题：如图二公式展示的那样，最终的细胞状态是由遗忘门和输入门的计算结果求和得到的，这样的梯度表示为累加的形式，避免了梯度消失。

图一: RNN和LSTM结构图

图二: 细胞状态更新

除了上图展示的LSTM以外，还出现了一些LSTM的变体。

如图三所示：单向LSTM和反向的LSTM结合成双向BiLSTM(双向LSTM)。单向LSTM关注的是过去对未来的影响，而反向LSTM关注的是未来对过去的影响，两个方向的网络结合到一起就能关联历史与未来。

举