使用一个RNN模型对过去六小时的流量进行降维，借用LSTM模型输出对接下来时间段的流量预测隐藏状态，然后使用MLP提高维度至与实际数据一致。使用带有正则化的残差函数作为损失函数更新整个框架。然后在这基础上加入归一化、正则化和Dropout操作。
代码分为六个版本： 版本1：LSTM
版本2：版本1+MLP
版本3：版本2+RNN
版本4：版本3+L2正则化
版本5：版本3+Dropout
版本6：版本3+L2正则化+Dropout
前面五个版本都是一步预测，最后一个版本是三步预测的训练框架。
使用工具 jupyter nnotebook, 基于Pytorch
一步预测的情况其实已经满足要求了，但三步预测的情况仍然不好，所以要考虑其他方法，可以考虑RNN改成残差网络，提高MLP深度，使用深度LSTM，期待我下一步的工作吧。全程手搓，工作不易