單變量LSTM預測模型（6）
前置教程：
Python時間序列LSTM預測系列教程（5）-單變量簡單LSTM案例的擴展思考
是最簡單狀態的LSTM，要得到優化的LSTM，需要進行很多擴展實驗
1、Mini-Step預測
可以將預測變成n-time step的預測
2、Tune模型
至少tune下神經元個數和epoch的次數
在訓練期間，通過回調進行早期停止，也可能獲得好的結果
3、Seed狀態
網絡狀態的初始化seed方案，可能影響性能
4、更新模型
模型可以在每次walk-forward驗證的時候更新
5、輸入的時間步
需要支持多時間步長的輸入
6、輸入lag屬性
可以將lay作爲輸入特徵feature，看能否提升模型性能，類似AR（k）
7、輸入error序列
可以建立誤差序列（通過靜態模型預測誤差），將其作爲輸入特徵feature，看能否提升模型性能，類似MA（k）
8、學習非穩定數據
LSTM可能學習到趨勢或週期性，可以通過實驗確定下
9、對比無狀態
可以建立無狀態LSTM進行對比
10、統計特徵
多次repeat計算一些統計值，可以通過相關統計學知識，計算不同模型設置下的性能