在时间预测这一预测任务中，时间序列通常具有复杂的时序相关性和非线性特征。然而，传统的深度学习或者机器学习模型对时间序列内部不同位置的相互关联性建模能力较弱，这将在一定程度上降低预测结果的精度。此外，传统的深度学习或者机器学习模型大多依赖前一时间步的隐藏状态，难以实现并行计算，整体模型的训练效率较低。Multi-head Attention (MHA)是一种同时操作多种注意机制的结构，允许开展并行计算处理，同时能够从时间序列数据不同子空间中提取和学习数据特征。将MHA机制与深度学习或机器学习进行耦合，将可以捕捉时间序列数据不同时段位置的依赖关系，从而更准确、更高效地开展预测，同时增强模型的鲁棒性和泛化能力。

本产品将LSTM与MHA耦合，并使用Hyperopt对整体参数自动率定。得到的预测结果更加精确、快速。购买后文件包含一个预测.py文件，一个示例数据集。

预测结果为：