คุณกำลังใช้เครือข่าย feed-forward คำตอบอื่น ๆ นั้นถูกต้องที่ FFNNs ไม่สามารถคาดการณ์ได้ดีกว่าช่วงของข้อมูลการฝึกอบรม
อย่างไรก็ตามเนื่องจากข้อมูลมีคุณภาพเป็นระยะปัญหาอาจคล้อยตามการสร้างแบบจำลองด้วย LSTM LSTMs เป็นเซลล์เครือข่ายนิวรัลที่หลากหลายที่ทำงานตามลำดับและมี "หน่วยความจำ" เกี่ยวกับสิ่งที่พวกเขา "เห็น" มาก่อน บทสรุปของหนังสือเล่มนี้ชี้ให้เห็นว่าวิธีการ LSTM เป็นความสำเร็จที่ผ่านการรับรองเกี่ยวกับปัญหาเป็นระยะ
( xผม, บาป( xผม) )xฉัน+ 1… xฉัน+ nnผม
(Jimenez-Guarneros, Magdiel และ Gomez-Gil, Pilar และ Fonseca-Delgado, Rigoberto และ Ramirez-Cortes, Manuel และ Alarcon-Aquino, Vicente "การทำนายระยะยาวของฟังก์ชัน Sine โดยใช้ LSTM Neural Network ในธรรมชาติ - การออกแบบที่ได้แรงบันดาลใจของระบบ Intelligent Hybrid )