第6章 維修

  方閒再次面臨危機。

  從2015年內的日最高氣溫曲線可以看出，從一月份開始，日最高溫大體趨勢為不斷增加，從接近0向接近35這一數值變化，而從9月份之後開始日最高溫大體層下降趨勢，不斷重新向0這一數值接近，整體呈現先上升後下降的趨勢，而且並沒有在均值的附近上下波動，可以明顯的看出日最高氣溫是不平穩的時間序列。故可以採用EMD方法對數據進行分解，消除非平穩性，對得到的平穩的時間序列應用LSTM算法進行預測。

  將日最高氣溫數據最為向量序列引入，藉助Matlab實現EMD算法，對2011-2019的南京市日最高氣溫數據進行EMD分解，得到了7個IMF和一個殘量信號（不能再分解的信號），為了能更直觀地觀察將其繪製成圖（如圖3）。在這些IMF中可以發現，在整個時間尺度範圍內，時間序列數據圍繞0這一數值較為「對稱」地上下波動，可以認為數據是比較平穩的。

  輸出門控制細胞對網絡其餘部分的輸出流的激活，並確定下一個隱藏狀態的值，該隱藏狀態就包含了先前輸入的信息。首先，利用sigmoid函數的作用，傳遞給sigmoid函數之前隱藏狀態和當前輸入的信息數據，便得到輸出值。

  隱地與現實之間仍存在一片區域，名為井。

  方閒點點頭，開始理清信息。

  將新獲得的信息數據傳遞給tanh函數，同樣得到輸出值，接著把tanh的輸出值與sigmoid的輸出值相乘，通過計算獲得的數據以確定隱藏狀態所攜帶的信息，控制信息傳遞，決定信息是否應該進入下一步驟，一旦確定，最後就將其作為當前細胞的輸出傳遞給下一步驟，包括新的細胞狀態和新的隱藏狀態。

  對收集的氣溫數據劃分區間：前90%和後10%，對訓練數據EMD分解並逐一進行LSTM模型預測，以前n天數據預測未來1天氣溫為準，在選取最優隱藏層節點數（i）後，得出預測氣溫和均方根誤差（RMSE）。

  結果顯示（如表2），當n取不同值時，預測結果的誤差都比較小，準確度比較高。而為了更準確分析，將對n=7的情況具體分析，把預測氣溫與測試數據進行比較，將其與實際日最高氣溫數據通過函數圖形繪製於同一圖中（如圖6），將二者對比分析。

  「原以為只是未完全散去，可看樣子你似乎真的擁有了他的力量。」

  「是有什麼特殊能力，保留了這股力量嗎！」

  怪物逐漸落入下風，不可思議地看著方閒突然變強，將自己的攻擊一一化解，甚至還打算將自己弄死。

  「啊！」

  隨著蜘蛛一聲咆哮，方閒感到一股巨大的力量爆發，蜘蛛氣勢更加猛烈。

  長足再次迅猛攻擊，夾著恐怖的力量。

  灰色爪子用力抵住，身體不斷向後退去。

  巨獸力量顯化的爪子在力量衝擊下崩碎，但也勉強將長足擊退。

  不過，蜘蛛怪物並不準備就此罷休，力量再度匯聚。