单变量LSTM预测模型（6）
前置教程：
Python时间序列LSTM预测系列教程（5）-单变量简单LSTM案例的扩展思考
是最简单状态的LSTM，要得到优化的LSTM，需要进行很多扩展实验
1、Mini-Step预测
可以将预测变成n-time step的预测
2、Tune模型
至少tune下神经元个数和epoch的次数
在训练期间，通过回调进行早期停止，也可能获得好的结果
3、Seed状态
网络状态的初始化seed方案，可能影响性能
4、更新模型
模型可以在每次walk-forward验证的时候更新
5、输入的时间步
需要支持多时间步长的输入
6、输入lag属性
可以将lay作为输入特征feature，看能否提升模型性能，类似AR（k）
7、输入error序列
可以建立误差序列（通过静态模型预测误差），将其作为输入特征feature，看能否提升模型性能，类似MA（k）
8、学习非稳定数据
LSTM可能学习到趋势或周期性，可以通过实验确定下
9、对比无状态
可以建立无状态LSTM进行对比
10、统计特征
多次repeat计算一些统计值，可以通过相关统计学知识，计算不同模型设置下的性能