在基于迭代法的策略中，首先计算一步超前预测，然后基于一步超前预测值来预测其他数据。另一方面，在基于直接法的策略中，可以根据相同的预测模型估算一步超前或多步超前值。通常，累积误差是影响迭代法中预测精度的重要因素，而计算成本则是直接法中需要考虑的重要因素。

　　除此之外还提出了一些其他算法，例如多输入多输出(MIMO)方法和DirRec策略，以及多输入多输出(MISMO)预测模型等。在MIMO和MISMO算法中，主要思想是获得更高的预测精度。同时，这些方法都具有较高的计算成本。在MISMO算法中，初始预测任务通常被转换为子任务，进而使用最优解计算输出，其中算法复杂度是一个关键问题。

　　与现有技术相比，本发明的有益效果是：本方法通过采用基于图像模型的长短时记忆时间序列模型，该模型将长短时记忆神经网络预测和贝叶斯图形推理结合起来，大大减少了算法的复杂度，并采用最优估计原理和递归的算法获得更高的预测精度。同时通过采用基于概率论和贝叶斯规则提出递归运算结构，以获得更好的预测性能，该结构比现有模型更好的性能。

　　步骤3，将训练数据重建，得到重建的训练数据；其中基于长短时记忆网络的时间序列预测模型，构建一个多输入单输出的非线，使用重建的训练数据，计算GUR参数，并且GUR参数服从高斯分布，然后估计概率密度；首先基于梯度下降算法计算GUR参数，然后基于最大似然法估计概率密度密度。

　　}和测试数据{at+1,…,aT}。步骤2，基于Takens定理计算相空间重构参数：D,τ。重构过程具体为：对于一个非线性系统S，通过观测得到一组测量值x(n)，n＝1,2,…N。利用此测量值可以构造一组m维向量X(n)＝(x(n),x(n-τ),……,x(n-(D-1)τ)) (1)

　　是相关维数。该过程描述即为训练数据重建过程，即将第n到n-(D-1)τ时刻数据作为系统输入数据，将n+h步数据作为系统输出数据，从而建立输入与输出数据的数据对。这些数据对将用于系统的训练。步骤4，使用重建的训练数据[x

　　]i＝1:t，计算GUR参数Wz，Wr，W，并且该参数服从高斯分布，然后估计概率密度；具体的基于梯度下降算法计算GUR参数Wz，Wr，W；通过先验知识和大数据统计，然后通过最大化学习ML算法或极大似然法进行参数估计得到概率密度P(x,h)；删去原来的P(ht,zt)等。如图2所示，为GUR模型示意图，即GUR这种自回归神经网络神经元结构，其中W代表核心单元Cell内存中权值矩阵，W(r)为输入单元的网络权值矩阵，W(z)为输出单元网路权值矩阵。具体神经网络权值计算可以通过神经网络训练算法进行计算，可依据训练数据对采用误差反传算法。步骤5，对于测试数据{a

　　}。根据该公式，输入xt及ht-1，通过图2中数据流及公式计算，即获得ht。步骤6，基于先验信息设置先验分布；具体的首先将GUR参数空间分成多个小区间；然后确定每个小区间的决定主观概率，决定主观概率需满足非负性公理，即对任意事件A，0≤P(A)≤1，正则性公理，即必然事件的概率为1，可列可加性公理，对可列个互不相容的事件A1，A2，A3……，得到或依据历史数据确定主观频率；然后依据主观频率得到频率直方图，在依据该直方图得到的平滑曲线，即为先验分布P(h