LSTM回归预测模型

LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变体，它具有长期记忆和短期记忆的能力，适用于处理时间序列数据。在使用LSTM进行回归预测时，可以将前几个时间步的输入作为特征，预测下一个时间步的输出。

下面是一个简单的LSTM回归预测模型的示例代码：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 准备数据
# 假设有100个时间步的输入数据X和对应的目标值y
X = np.random.rand(100, 5)
y = np.random.rand(100, 1)

# 构建模型
model = Sequential()
model.add(LSTM(32, input_shape=(5, 1)))  # 输入形状为(时间步长, 特征数)
model.add(Dense(1))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X.reshape(100, 5, 1), y, epochs=10, batch_size=32)

# 使用模型进行预测
predicted_y = model.predict(X.reshape(100, 5, 1))

# 打印预测结果
print(predicted_y)