版本一

• 预测的任务：task=2（用前18天的信息预测第18天）
• 训练：iterations=10、pop_size=20、n_selected=4、epochs=50
• 权重：时间步的权重之和不为1，每个时间步的所有特征共享一个权重
• 效果：RMSE: 0.3215, MAE: 0.1948
• 待解决问题：内存暴增问题

版本二

• 预测的任务：task=2（用前18天的信息预测第18天）
• 训练：iterations=10、pop_size=20、n_selected=4、epochs=20 更改： 每一个个体都可以利用最好的模型的参数去初始化自己的模型参数初始值
• 权重：时间步的权重之和为1，每个时间步的所有特征共享一个权重
• 效果：RMSE: 0.0854, MAE: 0.0574
• 已解决问题：内存暴增问题已解决，将best_model模型定义移出循环外， 避免模型的多次定义

版本三

预测任务：在版本二的基础上，task=1

效果：RMSE: 25.8046, MAE: 13.2812

发现问题：LSTM模型复杂度不够，现有的训练次数下，模型过早收敛

版本四

提高模型复杂度，看是否能够解决过早收敛问题。LSTM层数由原来的2层变为4层，每层的节点数由

128变为256

效果：训练速度明显变慢，训练20个epochs，在验证集上的RMSE不降反增，无法解决过早收敛问题。