绘制训练集和测试集的真实值和预测值图像 train_predict_plot = np.empty_like(data_scaled) train_predict_plot[:, :] = np.nan train_predict_plot[time_steps:len(train_predict) + time_steps, :] = train_predict test_predict_plot = np.empty_like(data_scaled) test_predict_plot[:, :] = np.nan test_predict_plot[len(train_predict) + time_steps * 2 + 1:len(data_scaled) - 1, :] = test_predict plt.figure(figsize=(10, 6)) plt.plot(scaler.inverse_transform(data_scaled)) plt.plot(train_predict_plot) plt.plot(test_predict_plot) plt.legend(['True', 'Train Predict', 'Test Predict']) plt.xlabel('Time/h') plt.ylabel('kwh') plt.show(改写以上代码，使得训练集的真实值和预测值绘制在第一张图上，而测试集的真实值和预测值绘制在第二张图上

可以按照以下方式修改代码，将训练集和测试集的真实值和预测值分别绘制在两张图上：

# 绘制训练集真实值和预测值图像
train_predict_plot = np.empty_like(data_scaled)
train_predict_plot[:, :] = np.nan
train_predict_plot[time_steps:len(train_predict) + time_steps, :] = train_predict

# 绘制测试集真实值和预测值图像
test_predict_plot = np.empty_like(data_scaled)
test_predict_plot[:, :] = np.nan
test_predict_plot[len(train_predict) + time_steps * 2 + 1:len(data_scaled) - 1, :] = test_predict

plt.figure(figsize=(10, 12))

plt.subplot(211)
plt.plot(scaler.inverse_transform(data_scaled))
plt.plot(train_predict_plot)
plt.legend(['True', 'Train Predict'])
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Training Set')

plt.subplot(212)
plt.plot(scaler.inverse_transform(data_scaled))
plt.plot(test_predict_plot)
plt.legend(['True', 'Test Predict'])
plt.xlabel('Time/h')
plt.ylabel('kwh')
plt.title('Testing Set')

plt.show()

这样，就可以将训练集和测试集的真实值和预测值分别绘制在两张图上，分别显示在第一张图和第二张图上。