深度学习多变量时间序列预测：GRU算法构建时间序列多变量模型预测交通流量+代码实战

GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU既然是LSTM的变体，因此也是可以解决RNN网络中的长依赖问题。

在LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值。而在GRU模型中只有两个门：分别是更新门和重置门。

GRU的结构如上图所示，虽然有时候GRU被视为LSTM的一个variation，不过两者差别还是比较大的，所以单独讨论。

GRU不像LSTM的三门控，它虽然也有门，但是只有两个，分别叫做重置门（reset gate），和更新门（update gate）。重置门顾名思义，控制着是否重置，也就是说多大程度上擦除以前的状态state；更新门则表示，多大程度上要用candidate 来更新当前的hidden layer。下面是另一种示意图，以及它的公式：

其实说到底，不论是LSTM还是GRU，重点都在于我们应该如何利用长期记忆这一点，在LSTM中长期记忆会影响到某一时刻的模型输出，而GRU则直接把某一时刻的长期记忆作为输出，一边修改长期记忆一边进行输出，所以这使得GRU比LSTM具有更少的输入（LSTM有三个输入，GRU只有两个࿰