時系列データをモデル化して多くの経験を蓄積してきた業務経験3年以上の著者データのより多くの種類にさらされ、なぜなら仕事の性質上、予測は、時系列データであるこのタイプのデータを扱う際に、より一層の活用になります回帰モデル、RNN LSTMまたはモデルに、そう、これは主に一般的な方法をモデル化するフィールド内の世帯のタイミングの一部を共有するために、過去の経験に基づいています。
今LSTMは、ルックRNN（リカレントニューラルネットワーク、RNN）リカレントニューラルネットワークをブリーフィングし、LSTMニューラルネットワークは、RNNのモデルとして見ることができる、来る、RNNは、ハンドルの時系列データサンプルに設計された神経のタイプですネットワークは、次の層にだけでなく、各層の出力であり、また隠された状態、使用される試料中の現在のレイヤーの処理を出力します。
RNNは、特に言語処理において、RNNは、上記によれば、次の単語が表示される予測するために使用することができ、外観前に、現在の情報の情報に基づいて推測することができます。しかし、それだけで定期的に情報を処理することができ、かつ間隔が離れすぎて上記であれば、それは、Lenovo困難であり、そこに発生する可能性があります。今回LSTMがされて入ってきました。LSTMが格納状態の主制御構成の存在下で異なるRNNた構成を展開し、次の図は概略図であるRNN古典的なモデルと構造モデルLSTMを拡大：
LSTMモードのメカニズムの深い理解をしたい、ドアLSTMの明確な3種類が非常に重要であり、LSTMメインモデルが含まれます：忘れドア、ゲート入力層と出力層のドアを。各ドア簡潔には、次の表で説明します：
