简介

这篇文章的思路就是之前的工作都是在利用历史信息和当前时刻的信息，而这篇文章就是要预测未来的信息来结合历史信息做分类。整体框架采用的lstm。

方法

传统的RNN或者LSTM并不能接收未来的信息，所以作者设计了一个TRN Cell为一个循环单元，TRN Cell 的算法流程如下：

右侧的可以横过来看，输入是大lstm中的隐状态h（文中把大的lstm称作Encoder），以h为输入再经过小的lstm，将输出连接起来构成future信息。

再解释一下就是，endcoder中得到了时间t的信息，那以t的信息为输入，再经过序列lstm，每个输出就可以看作是对未来\(t+1...t+l_d\) 的预测，这些预测再经过一个FC层和 t 时刻的结合起来，作用于encoder的下一时序。

从Loss的角度来说，两部分loss，一部分是Encoder输出和真实类别的loss，另一部分是Decoder输出和真实类别的loss，也就是强制encoder学习到预测未来的信息。