预测对比图中，红色数据为预测数据，蓝色数据为实际数据，可以看出预测效果是比较好的，预测数据的均方根误差仅为1.7739，说明误差比较小，准确度比较高；同时，从图形曲线上看，预测气温的曲线和实际气温曲线较为重合，当预测值与实际值有偏差时，相差的范围也保持在较小的尺度范围内，说明预测效果比较好。

上一节展现了EMD-LSTM预测模型的预测结果，虽然从图形上看预测效果比较好，误差也比较小，但是只通过数据和图形只会对预测结果停留在概念上，并不能直观的理解。为了更直观体现模型预测效果更好，将绘制不采用EMD方法而只用LSTM算法的模型的预测结果，同样以7天预测1天为例，同时防止偶然性对比误差，改变不同训练区间尺度，将它与EMD-LSTM模型的预测结果进行对比，比较分析两个模型哪个更有优势，本文改进的算法模型是否更适合预测。

在气温预测研究上出现了大量的模型，也不断地对建立的预测模型进行改进，但在研究中同时又存在其他问题，气象系统是一种典型的非平稳性系统，对平稳时间序列处理分析的模型对其拟合效果并不好，预测的准确程度也会大打折扣。而利用观测到的气象数据进行处理、模拟、分析、预测等研究中，大多模型都通常假定是平稳时间序列而完成构建的，这忽略了非平稳性带来的误差，会让气温数据的预测值偏离实际值，预测效果就比较低。

更新细胞状态时，前一个细胞状态要先逐点乘上遗忘向量以便进行判断信息是否留存，如果乘上一个接近于零的值，反映信息是否保留的结果值就将越接近零，这就意味着在新的细胞状态中需要丢弃该信息，而通过认证后的信息就会以输出被保存，在这样的操作下，细胞状态便能逐点判断选择，将输入门的输出值添加进来，并且更新添加了神经网络发现的新信息，这样就获得了更新后的细胞状态。

从LSTM模型数据对比图（如图7）与EMD-LSTM模型对比图看，LSTM在图形上预测效果并不如EMD-LSTM模型，前者的预测数据与实际日最高气温数据在一部分小范围内有一定的小偏移；同时，选取不同的预测区间，进行模型准确度对比（如表3），不管在哪个区间内，EMD-LSTM预测模型的误差都更小，说明它的预测准确度比LSTM模型更高，EMD-LSTM预测模型得到的日最高气温数据更加接近实际温度，LSTM模型的预测效果不如EMD-LSTM模型。

长短期记忆网络（LSTM）算法适用于处理预测气温数据这样的事件，运用LSTM能够很好地帮助气温预测研究的进行，同时，经验模态分解（EMD）方法用于气温数据的预处理是合适的，它帮助LSTM算法解决了非平稳数据存在的问题，LSTM模型结合EMD方法会使得预测结果更加接近真实数据，比单独采用LSTM模型进行预测效果更加合适、更有优势。