实验：手动实施循环神经网络RNN，并对至少一个数据集进行实验。在这里，我选择了高速高速公路传感器数据PEMS04（背后的实验是高速公路传感器数据），主要基于数据集的大小和特征和尺寸的特征，手动实现了循环神经网络，包括输入层，隐藏的输入层层和输出层。注意到，下一层的输入与隐藏层本身和上一层同一时间。隐藏状态以及每个步骤的输出状态。
实验目的：使用手动实施的圆形神经网络RNN，并使用高速道路交通数据集学习回归模型，以便该模型可以根据历史流量数据很好地预测未来的车辆流量。
实验算法和原理：因为它是回归模型，所以我使用MSE。在这里，我在测试集上使用RMSE，MAE和MAPE。梯度更新使用ADAM Optimizer。
数据集处理：这是关于流量集的背景处理的处理操作的统一讨论：读取NPZ文件，仅获取一个传感器的所有数据，然后将其操作分为80％和20％数据集。作为培训集和测试集。
实验程序：
1.1导入相关软件包
1.2数据集处理和阅读，请参见上文
1.3手册定义RNN模型
1.4初始化模型，定义优化器
1.5手动定义地图功能
1.6手动实现next_batch函数
1.7开始训练和测试
1.8绘制train_loss的曲线
1.9绘制测试集的RMSE，MAE和MAPE的曲线图