PredRNN

       在说PredRNN之前，首先回顾一下ConvLSTM。ConvLSTM中首先要定义一层ConvLSTM的含义，每层是一个Cell，每个cell的输入是上一个cell的状态c、输出h和这一层的输入，一共三个。每个时序下是多层Cell连接的结构。纵向箭头是将上一层output当做input，横向箭头将上一时序计算出来的c，h输入。

       以Encoder-Forecaster结构为例，图中的RNN中水平的箭头的意思并不是有输入，而是用的还是同一个RNN，也就是说图中一共有3个Cell，有几层呢，对于Encoder来说有3层，每个时序跨越3层。

       PredRNN的提出是，学者认为最后一层的RNN中信息最多，却不能很好的传递给下一时序，应该让最底层的RNN同时能获得上一时序中最顶层的信息。于是结构就变成了这样。

     我们知道LSTM的Cell中的输入是3个，现在的话相当于要再加一项输入，同时相应的输出也要增加一项，于是在原来ConvLSTM的基础上，加了一个M。

      我个人感觉，PredRNN在传递参数中相当于是多用上了上一层的C，正常的LSTM用的C是来自上一时序的，这个我们用上了更多上一层的信息，所以对模型有增强作用。