方闲再次面临危机。
从2015年内的日最高气温曲线可以看出，从一月份开始，日最高温大体趋势为不断增加，从接近0向接近35这一数值变化，而从9月份之后开始日最高温大体层下降趋势，不断重新向0这一数值接近，整体呈现先上升后下降的趋势，而且并没有在均值的附近上下波动，可以明显的看出日最高气温是不平稳的时间序列。故可以采用ed方法对数据进行分解，消除非平稳性，对得到的平稳的时间序列应用lst算法进行预测。
将日最高气温数据最为向量序列引入，借助atb实现ed算法，对2011-2019的南京市日最高气温数据进行ed分解，得到了7个if和一个残量信号（不能再分解的信号），为了能更直观地观察将其绘制成图（如图3）。在这些if中可以发现，在整个时间尺度范围内，时间序列数据围绕0这一数值较为“对称”地上下波动，可以认为数据是比较平稳的。
输出门控制细胞对网络其余部分的输出流的激活，并确定下一个隐藏状态的值，该隐藏状态就包含了先前输入的信息。首先，利用sigoid函数的作用，传递给sigoid函数之前隐藏状态和当前输入的信息数据，便得到输出值。
隐地与现实之间仍存在一片区域，名为井。
方闲点点头，开始理清信息。
将新获得的信息数据传递给tanh函数，同样得到输出值，接着把tanh的输出值与sigoid的输出值相乘，通过计算获得的数据以确定隐藏状态所携带的信息，控制信息传递，决定信息是否应该进入下一步骤，一旦确定，最后就将其作为当前细胞的输出传递给下一步骤，包括新的细胞状态和新的隐藏状态。
对收集的气温数据划分区间：前90和后10，对训练数据ed分解并逐一进行lst模型预测，以前n天数据预测未来1天气温为准，在选取最优隐藏层节点数（i）后，得出预测气温和均方根误差（rse）。
结果显示（如表2），当n取不同值时，预测结果的误差都比较小，准确度比较高。而为了更准确分析，将对n=7的情况具体分析，把预测气温与测试数据进行比较，将其与实际日最高气温数据通过函数图形绘制于同一图中（如图6），将二者对比分析。
“原以为只是未完全散去，可看样子你似乎真的拥有了他的力量。”
“是有什么特殊能力，保留了这股力量吗！”
怪物逐渐落入下风，不可思议地看着方闲突然变强，将自己的攻击一一化解，甚至还打算将自己弄死。
“啊！”
随着蜘蛛一声咆哮，方闲感到一股巨大的力量爆发，蜘蛛气势更加猛烈。
长足再次迅猛攻击，夹着恐怖的力量。
灰色爪子用力抵住，身体不断向后退去。
巨兽力量显化的爪子在力量冲击下崩碎，但也勉强将长足击退。
不过，蜘蛛怪物并不准备就此罢休，力量再度汇聚。