天然气是医院冬季供暖的主要能源,其消耗量在医院能源消耗中,占有较大比例。在医院冬季供暖中,天然气的消耗量取决于多种因素,其中,作为主要外部因素的是气象环境。气象环境的变化呈现时间和空间的多样性,且变化过程非传统的线性变化。本文对气象环境的时间序列建立模型,研究机器学习框架Tensor Flow中Sequential模型中"层"的不同数量和不同的机器学习周期数量对结果产生的影响。在实验中,不仅包含了往期的能源消耗量数据,还包含了对气象数据的转化、脏数据的清理、数据属性的选择等数据处理工作。同时,深度学习框架选择了谷歌最新的机器学习框架Tensor Flow-GPU版本,利用高性能GPU直接参与运算,为尝试复杂的深度学习提供支持。实验表明,在TensorFlow框架的Sequential模型中,模型的"层"的不同数量和学习周期的不同将带来不同的结果,通过试验不同的组合,在组合中寻求最为合适的解。