1.对循环神经网络原理和程序有了更全面的理解，对之前不懂的地方花了时间去学习补充，从数据如何输入到网络，再如何计算，到得出预测结果有了更好的把握。这样以后对模型的改进和优化都会更方便。
2.理解了keras中units是输出维度的意义后，神经网络的参数个数也就会计算了，我觉得只是将10个数一组输入网络可能不需要100的输出维度，也许只需要30就有很好的效果，我马上去做了简化模型的实验，将units也就是输出维度设小，预测结果表明减少参数后预测精度虽然不及之前但是也相差不多，而且训练速度更快，也没有之前的毛刺现象。接着我还做了多输入LSTM的实验，将多维数据输入到一个神经网络去预测多维输出，结果表明预测效果还是比较理想的，之后还需要更多的实验去验证和调优。
3.Stateful LSTM：也就是有状态的LSTM，在处理过一个batch的训练数据后，其内部状态（记忆）会被作为下一个batch的训练数据的初始状态，就是前后数据是有关联的，我觉得我们的摇荡数据也是这样的。之前的训练方法是将数据划为10个数据一组加1个标签，然后打乱顺序去训练模型。stateful lstm是按数据顺序训练模型，并将上一个batch的状态传递给下一个batch，这样感觉更合理一些，我也去用程序实现了它做了实验，结果表明这种方法对刚开始的数据预测的不准，之后就比较准了，但是总体上没有之前的方法效果好，这也是一种新的探索吧，也许以后会用得上。
4.摇荡项目工程进展：实现了多线程，离线预测和在线学习可以同时开始进行了，之后再加入切换机制大框架就搭好了，当然这其中也有很多的细节问题需要解决。