方闲再次面临危机。
从2015年内的日最高气温曲线可以看出，从一月份开始，日最高温大体趋势为不断增加，从接近0向接近35这一数值变化，而从9月份之后开始日最高温大体层下降趋势，不断重新向0这一数值接近，整体呈现先上升后下降的趋势，而且并没有在均值的附近上下波动，可以明显的看出日最高气温是不平稳的时间序列。
故可以采用EMD方法对数据进行分解，消除非平稳性，对得到的平稳的时间序列应用LSTM算法进行预测。
将日最高气温数据最为向量序列引入，借助Matlab实现EMD算法，对2011-2019的南京市日最高气温数据进行EMD分解，得到了7个IMF和一个残量信号（不能再分解的信号），为了能更首观地观察将其绘制成图（如图3）。
在这些IMF中可以发现，在整个时间尺度范围内，时间序列数据围绕0这一数值较为“对称”地上下波动，可以认为数据是比较平稳的。
输出门控制细胞对网络其余部分的输出流的激活，并确定下一个隐藏状态的值，该隐藏状态就包含了先前输入的信息。
首先，利用sigmoid函数的作用，传递给sigmoid函数之前隐藏状态和当前输入的信息数据，便得到输出值。
隐地与现实之间仍存在一片区域，名为井。
方闲点点头，开始理清信息。
将新获得的信息数据传递给tanh函数，同样得到输出值，接着把tanh的输出值与sigmoid的输出值相乘，通过计算获得的数据以确定隐藏状态所携带的信息，控制信息传递，决定信息是否应该进入下一步骤，一旦确定，最后就将其作为当前细胞的输出传递给下一步骤，包括新的细胞状态和新的隐藏状态。
对收集的气温数据划分区间：前90%和后10%，对训练数据EMD分解并逐一进行LSTM模型预测，以前n天数据预测未来1天气温为准，在选取最优隐