时间序列

2018/05/09 数据预处理
2018/05/10 从53天的数据，挑了一个形状较好的感应器收集的数据，进行了pca的分解，run.py是程序的入口；pca.py是pca算法的实现。plot_ex是matplotlib的一个练手程序
2018/05/14 增加了lstm_v2(faster)这是一个下降速度很快的模型
2018/05/15 lstm_v2_updata用了反归一化，将结果可视化了。
2018/05/17 rawdatalstm2.py是数据没有经过pca处理，直接灌入lstm模型进行预测，然后计算的到误差
pcadatalstm2.py是首先将我们的数据经过pca处理，用lstm只预测偏差数据部分，然后将预测的部分加上主成分的到的流量预测，最后计算的到的误差。
2018/05/18 增加了pca_residuel_lstm.py这个文件，这个文件的作用是，之前我们只考虑把偏差数据进行lstm分析，现在我们的想法就是把主要趋势这部分数据也输入lstm进行预测
2018/05/21 增加了testbin/这个文件夹。这个文件夹的作用是为了考虑前几年同期的数据对于车辆预测的影响。修改了read_pems_occupancy_speed.py文件以及datahelp.py文件
但是实验的结果并不是很理想。

2018/06/14 nino34这个文件夹。这个文件夹里放的是运行厄尔尼诺数据的程序。有两个程序，一个是原始数据直接输入LSTM进行预测，另一个程序是用pca分解的**，进行预测。结果显示，我们的pca**对于厄尔尼诺数据集也是有效果的。

2018/06/15 将三种补全方法补全的数据输入到预测模型进行仿真。发现我们的补全数据方法缺失行之有效。