解析：
LSTM 是專門設計來解決 RNN 長期依賴問題的架構，透過門控機制（遺忘門、輸入門、輸出門）控制資訊的保留和遺忘，能有效保留較早期的重要資訊，適合此時序預測任務。
你在看一句話或一段時間序列時，會不會發現前面出現過的內容會影響後面的判斷？
你可以把 RNN 想成有記憶的神經網路，前一步的資訊會影響下一步。 它特別適合處理有順序的資料，例如文字、語音和時間序列。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
RNN vs 前饋神經網路 前饋神經網路每次只看當下輸入。 RNN 會把前一步的狀態帶到下一步。 最關鍵的區別：一個看單點，一個看順序。
RNN vs LSTM RNN 結構比較簡單。 LSTM 加了閘門，能更好保存長期資訊。 最關鍵的區別：一個簡單，一個更會記。
RNN vs 注意力機制 RNN 主要靠序列逐步傳遞資訊。 注意力機制會直接看哪些位置比較重要。 最關鍵的區別：一個一路傳，一個直接挑重點。
記住這句就好
看到前面，才能更懂後面。
實際案例
語句理解 你讀到「今天下雨，所以我帶了傘」，後半句會受前半句影響。 RNN 的設計就是為了讓模型保留這種上下文。
時間序列 股票價格、感測器數據和用電量都有前後關係。 RNN 可以把前一個時間點的資訊帶進下一個時間點。
算法與應用
RNN 會把前一時刻的隱藏狀態傳到下一時刻，形成循環結構。 這種設計讓它能處理序列，但也容易遇到梯度消失或梯度爆炸。 為了改善這些問題，後來常用 LSTM、GRU 或注意力機制來取代。
情境判斷
Q1（直覺題）： 你要讓模型讀一整句話，知道前文會影響後文，該考慮什麼？
→ RNN，因為它天生就是為了處理順序資料。
Q2（判斷題）： 如果序列很長，RNN 一定是最好的選擇嗎？
→ 不一定，長序列常會讓梯度傳遞變難，這時 LSTM、GRU 或注意力機制可能更合適。
iPAS 考題
Q1： LSTM 和 GRU 的主要差別是什麼？ → LSTM 門更多、記憶控制更細，GRU 結構較簡化、訓練通常更快。
Q2： 如何緩解 RNN 的梯度消失問題？ → 可以用 LSTM、GRU、梯度裁剪，或改用其他更穩定的序列模型。
常見問題
RNN 只適合文字嗎？
不只，任何有順序的資料都可能用到，例如語音、感測器和時間序列。
RNN 一定比前饋網路好嗎？
不一定，要看資料有沒有順序關係，沒有順序就不需要循環結構。
為什麼現在比較少直接用純 RNN？
因為長序列訓練不穩，實務上常改用 LSTM、GRU 或注意力機制。
範例考題
某公車系統想預測各站點的到站時間，需要考慮歷史班次資料、即時路況、天氣等因素。由於路況變化複雜，傳統循環神經網路（Recurrent Neural Network, RNN）在建模時可能難以保留較早期的重要資訊。下列哪種架構最能解決這個問題？
- A. 卷積神經網路（Convolutional Neural Network, CNN），利用卷積層捕捉局部特徵
- B. 自編碼器（Autoencoder, AE），先進行資料壓縮再重建
- C. 全連接神經網路（Fully Connected Neural Network, FCNN），增加隱藏層數量
- D. 長短期記憶網路（Long Short-Term Memory, LSTM），改善 RNN 的長期記憶問題 ✓ 正確答案