预测代码里只计算了测试集的rmse，得出额外预测值后，想要和刚刚从台站获取的真实值做对比，计算一下误差，又不愿意在预测程序里添加代码，但Excel的计算确实不是很懂，只能新开一个py单独计算：

import math
import xlrd
from sklearn.metrics import mean_squared_error  # 用于评估模型
workbook = xlrd.open_workbook('D:\python\PyCharm\Rainfall_LSTM\D7.xlsx', 'r')
sheet1 = workbook.sheet_by_index(0)
predictnew = sheet1.col_values(0)[1:]   # 第一列为最新的预测值
predictold = sheet1.col_values(1)[1:]  # 第二列为之前的预测值
true = sheet1.col_values(2)[1:]  #  第三列为真实值
newScore = math.sqrt(mean_squared_error(predictnew, true))
oldScore = math.sqrt(mean_squared_error(predictold, true))
print u'The new rmse is', newScore
print u'The old rmse is', oldScore
不过输出结果却让我很尴尬，新的预测不如老的预测？？？还被同事质问了。。。事实证明，修改网络的超参数要谨慎！
                                    1.   在统计学中，回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。按照自变量和因变量之间的关系类型，可以分为线性回归分析和非线性回归分析。线性回归通常是人们在学习预测模型时首选的技术之一，它的因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。线性回归过程主要解决的就是如何通过样本来获取最佳的拟合线。最常用的...
                                    次数越高，计算结果就越与较大的值有关，而忽略较小的值，所以这就是为什么RMSE针对异常值更敏感的原因（即有一个预测值与真实值相差很大，那么RMSE就会很大）。标准差是用来衡量一组数自身的离散程度，而均方根误差是用来衡量观测值同真值之间的偏差，它们的研究对象和研究目的不同，但是计算过程类似。均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根。衡量的是预测值与真实值之间的偏差，并且对数据中的异常值较为敏感。（1）使用真值和实际值的误差的平均值小表征俩组数据的差距小；是用来衡量一组数自身的离散程度。