源于一次对于Self-attention的错误理解，产生了使用样本之间的相似度来提供参考值的做法

模型结构很简单，就是使用测试样本作为样本池，用当前样本和样本池中的样本做一个Attention，得到的参考值拼接到原有的特征维度上，然后导入LSTM层里

效果很不错，拟合效果和预测效果都可以

数据使用的某城市某区的非公开的电力数据集，这里不会上传，相关的数据也会做隐藏。数据量本身很小，总共68个时间点。做过时序预测的都会苦恼这个数据量的问题，但这个模型对数据量小的数据集还是挺友好的。

数据里本身包含几千户的用电曲线，这些用户大多数都是大工业用户和商业用户，用电量与季节的相关性不强。为了解决这个问题，我先对这些用户进行聚类，聚类后对其中一类进行了整体预测。

聚类的轮廓系数图：

聚类的簇内误方差： 、 所以最终选择聚3类

可以看到，效果还是很不错的，就是有一个异常点误差比较大34%。经过历史数据的查询，发现该时间点对应的是2022年4月，正好是疫情影响最严重的时间，与2021年相比，下挫了25%。如果按照正常规律发展，应该比往年略微有所上升。因此，如果不考虑疫情的影响，该点误差应该会落在10%以内。总误差2.67%