在基于迭代法的策略中，首先計算一步超前預測，然后基于一步超前預測值來預測其他數據。另一方面，在基于直接法的策略中，可以根據相同的預測模型估算一步超前或多步超前值。通常，累積誤差是影響迭代法中預測精度的重要因素，而計算成本則是直接法中需要考慮的重要因素。

　　除此之外還提出了一些其他算法，例如多輸入多輸出(MIMO)方法和DirRec策略，以及多輸入多輸出(MISMO)預測模型等。在MIMO和MISMO算法中，主要思想是獲得更高的預測精度。同時，這些方法都具有較高的計算成本。在MISMO算法中，初始預測任務通常被轉換為子任務，進而使用最優解計算輸出，其中算法復雜度是一個關鍵問題。

　　與現有技術相比，本發明的有益效果是：本方法通過采用基于圖像模型的長短時記憶時間序列模型，該模型將長短時記憶神經網絡預測和貝葉斯圖形推理結合起來，大大減少了算法的復雜度，并采用最優估計原理和遞歸的算法獲得更高的預測精度。同時通過采用基于概率論和貝葉斯規則提出遞歸運算結構，以獲得更好的預測性能，該結構比現有模型更好的性能。

　　步驟3，將訓練數據重建，得到重建的訓練數據；其中基于長短時記憶網絡的時間序列預測模型，構建一個多輸入單輸出的非線，使用重建的訓練數據，計算GUR參數，并且GUR參數服從高斯分布，然后估計概率密度；首先基于梯度下降算法計算GUR參數，然后基于最大似然法估計概率密度密度。

　　}和測試數據{at+1,…,aT}。步驟2，基于Takens定理計算相空間重構參數：D,τ。重構過程具體為：對于一個非線性系統S，通過觀測得到一組測量值x(n)，n＝1,2,…N。利用此測量值可以構造一組m維向量X(n)＝(x(n),x(n-τ),……,x(n-(D-1)τ)) (1)

　　是相關維數。該過程描述即為訓練數據重建過程，即將第n到n-(D-1)τ時刻數據作為系統輸入數據，將n+h步數據作為系統輸出數據，從而建立輸入與輸出數據的數據對。這些數據對將用于系統的訓練。步驟4，使用重建的訓練數據[x

　　]i＝1:t，計算GUR參數Wz，Wr，W，并且該參數服從高斯分布，然后估計概率密度；具體的基于梯度下降算法計算GUR參數Wz，Wr，W；通過先驗知識和大數據統計，然后通過最大化學習ML算法或極大似然法進行參數估計得到概率密度P(x,h)；刪去原來的P(ht,zt)等。如圖2所示，為GUR模型示意圖，即GUR這種自回歸神經網絡神經元結構，其中W代表核心單元Cell內存中權值矩陣，W(r)為輸入單元的網絡權值矩陣，W(z)為輸出單元網路權值矩陣。具體神經網絡權值計算可以通過神經網絡訓練算法進行計算，可依據訓練數據對采用誤差反傳算法。步驟5，對于測試數據{a

　　}。根據該公式，輸入xt及ht-1，通過圖2中數據流及公式計算，即獲得ht。步驟6，基于先驗信息設置先驗分布；具體的首先將GUR參數空間分成多個小區間；然后確定每個小區間的決定主觀概率，決定主觀概率需滿足非負性公理，即對任意事件A，0≤P(A)≤1，正則性公理，即必然事件的概率為1，可列可加性公理，對可列個互不相容的事件A1，A2，A3……，得到或依據歷史數據確定主觀頻率；然后依據主觀頻率得到頻率直方圖，在依據該直方圖得到的平滑曲線，即為先驗分布P(h