feat(gpt): support lstm and do some internal refactor, add sample autoencoder model.

docs/zh/06-advanced/06-TDgpt/04-forecast/04-lstm.md

@@ -0,0 +1,31 @@
+---
+title: "ARIMA"
+sidebar_label: "ARIMA"
+---
+
+本节说明 LSTM 模型的使用方法。
+
+## 功能概述
+
+LSTM模型即长短期记忆网络(Long Short Term Memory)，是一种特殊的循环神经网络，适用于处理时间序列数据、自然语言处理等任务，通过其独特的门控机制，能够有效捕捉长期依赖关系，
+解决传统RNN的梯度消失问题，从而对序列数据进行准确预测，不过它不直接提供计算的置信区间范围结果。
+
+
+完整的调用SQL语句如下：
+```SQL
+SELECT _frowts, FORECAST(i32, "algo=lstm,alpha=95,period=10,start_p=1,max_p=5,start_q=1,max_q=5") from foo
+```
+
+```json5
+{
+"rows": fc_rows,  // 返回结果的行数
+"period": period, // 返回结果的周期性，同输入
+"alpha": alpha,   // 返回结果的置信区间，同输入
+"algo": "lstm",  // 返回结果使用的算法
+"mse": mse,       // 拟合输入时间序列时候生成模型的最小均方误差(MSE)
+"res": res        // 列模式的结果
+}
+```
+
+### 参考文献
+- [1] Hochreiter S. Long Short-term Memory[J]. Neural Computation MIT-Press, 1997.

docs/zh/06-advanced/06-TDgpt/05-anomaly-detection/04-machine-learning.md

@@ -3,7 +3,9 @@ title: "机器学习算法"
 sidebar_label: "机器学习算法"
 ---
 
-Autoencoder<sup>[1]</sup>: TDgpt 内置使用自编码器（Autoencoder）的异常检测算法，对周期性的时间序列数据具有较好的检测结果。使用该模型需要针对输入时序数据进行预训练，同时将训练完成的模型保存在到服务目录 `ad_autoencoder` 中，然后在 SQL 语句中指定调用该算法模型即可使用。
+Autoencoder<sup>[1]</sup>: TDgpt 内置使用自编码器（Autoencoder）的异常检测算法，
+对周期性的时间序列数据具有较好的检测结果。使用该模型需要针对输入时序数据进行预训练，
+同时将训练完成的模型保存在到服务目录 `ad_autoencoder` 中，然后在 SQL 语句中指定调用该算法模型即可使用。
 
 ```SQL
 --- 在 options 中增加 model 的名称，ad_autoencoder_foo， 针对 foo 数据集（表）训练的采用自编码器的异常检测模型进行异常检测

tools/tdgpt/taosanalytics/test/unit_test.py

@@ -99,7 +99,7 @@ class ServiceTest(unittest.TestCase):
             if item["type"] == "anomaly-detection":
                 self.assertEqual(len(item["algo"]), 6)
             else:
-                self.assertEqual(len(item["algo"]), 2)
+                self.assertEqual(len(item["algo"]), 3)
 
 
 if __name__ == '__main__':