本發(fā)明公開了一種小樣本條件下融合先驗(yàn)知識的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測方法。本發(fā)明采用將先驗(yàn)知識融入到LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，通過增加懲罰函數(shù)項(xiàng)將約束優(yōu)化問題轉(zhuǎn)化為無約束優(yōu)化問題，以數(shù)學(xué)表達(dá)形式加入到LSTM神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)中，實(shí)現(xiàn)了準(zhǔn)確的評估建模，提高了小樣本情況下的建模精度。由于該神經(jīng)網(wǎng)絡(luò)通過設(shè)計(jì)各種“門”結(jié)構(gòu)進(jìn)行模型訓(xùn)練，因此相比較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不存在梯度消失和梯度爆炸問題。本發(fā)明特別適用于小樣本條件下長短期記憶神經(jīng)網(wǎng)絡(luò)對鋰電池剩余壽命進(jìn)行預(yù)測和數(shù)據(jù)分析。經(jīng)實(shí)驗(yàn)驗(yàn)證，該方法可以有效解決小樣本建模精度的問題，在鋰電池?cái)?shù)據(jù)集樣本中，平均準(zhǔn)確率可達(dá)到97.52％以上。