1.使用linear层拟合
原代码链接在这里，效果如下：
2.使用LSTM预测
原代码链接在这里，效果如下：

3.使用GAN拟合
忘记代码哪里找的了，不过效果很差。
4.使用LSTM-GAN
这个代码在GitHub上找的，然后改了改，把GAN的生成器和判别器里面都换成LSTM网络就行，在10000个epoch之后，大概这样：

5.使用LSTM-WGAN
这个是在4的基础上，我自己把原始GAN里面的损失部分换成WGAN损失了。
sin数据点为500时，20000epoch：
sin数据点为50时，20000epoch：

sin数据点为50时，40000epoch：

sin数据点为100时，10000epoch：
sin数据点为100时，40000epoch：
6.使用TimeGAN
代码链接
10000epoch的PCA:
10000轮的 t-SNE：
10000轮生成的数据：（训练稳定之后，时序关系并不是固定的）
9750轮：

9200轮：
7950轮：
7600轮：
往前的话，基本5000轮左右曲线就比较顺滑了。
50轮：
150轮：
300轮：

600轮：
900轮：
1500轮：
3000轮：