汇总：这尼玛也能发SCI,自适应体现在哪？LR、SVR、MLP、LSTM、跑了一遍单负荷值数据
智能自适应LSTM技术用于电力负荷预测的来源
有几个障碍例如时间序列的非线性属性或季节性模式
已经提出了几种技术来解决这个问题如统计模型，模糊系统，人工神经网络（ANNs）和机器学习。
预测电力负荷可以分成三组，短期预测（一小时到几个星期），中期预测（几个星期到一个星期几个月）和长期预测（几个月到
年份）
本文旨在实施深度学习技术例如多层感知器（MLP）和长期短期记忆（LSTM），它可以提高预测的准确性
提供与传统机器学习的比较回归和SVM等方法。
许多参数与SVM一起使用内核，gamma函数，C函数。内核有助于SVM采用低维输入空间并将其转换为
更高维度的空间。然后使用gamma和C函数来优化内核并避免过度拟合数据。
数据集由包含功率的单维向量三年共用15分钟，共计3,21,000条记录
A.线性回归的结果
预测准确率为31.071％。
B.支持向量机（SVM）的结果
这种技术用一种预测准确率为40.012％
C 多层感知器的结果
MLP显示出预测准确性的巨大提高与其他技术相比。 它的预测精度为95.347％。
D:最后，LSTM已被证明是最有希望的
到目前为止实施。 它预测电力负荷准确度为98.589％
重要的是要提到的选择激活功能，隐藏神经元的选择，训练时代对于获得欲望的准确性至关重要。最后
使用2015-2017年的历史数据，几个试验和测试的参数最终导致了最佳组合，将误差降低至1.411％。
但是，从这一点来看，目标是用新的配置，也考虑外生变量温度，湿度，季节性，趋势