利用LSTM进行空气指数预测

毕设终于结束，感谢指导老师以及团队大伙们的辛苦付出，是时候总结一下毕设的内容了。
我们团队的毕业设计是关于利用递归神经网络模型LSTM（long-short-term memory）对中国主要城市的空气质量指数进行预测，并将LSTM与RLS进行比较，论文的主要内容是数据分析，机器学习。

之前对于机器学习一片空白的我在经历了毕业设计之后，接触到了几个比较常见的模型，接触到了tensorflow以及keras库，接触到了神秘的递归神经网络，激励函数，超参数，梯度下降等机器学习中的概念，很有必要做个笔记，形成一套方法论，为后面的学习工作作准备。

经过两三个礼拜的简易研究，个人并没有深入机器学习底层的数学原理研究，更多的是focus在应用板块，也就是利用代码库进行一些简易的模型设计，并训练来得到自己想要的结果。

在机器学习的使用过程中，我认为难度最大的地方在于源数据清理，模型参数的选取。接下来我尝试使用LSTM对中国部分城市的空气质量指数进行简易的预测。

在进行构建模型与预测之前，第一步就是分析数据集合的性质，观察数据集合需不需要归一正则化等等，

通过观察原数据的格式我们可以发现，这里面的数据只有每一天的空气质量指数，也就是只有一个属性值，那就说明我们不需要去除量纲，进行所谓的归一化操作。

分析完数据之后我们要明白遇到的问题是属于什么类型的学习问题。是无监督的还是有监督的？我们设想的是通过前几天的数据去预测空气指数，那么是否可以抽象