写一个cnn gru模型预测时间序列

以下是一个简单的CNN-GRU模型，用于预测时间序列数据：

from keras.models import Sequential
from keras.layers import Dense, Conv1D, MaxPooling1D, GRU, Dropout

model = Sequential()

# 添加1D卷积层
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps, n_features)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))

# 添加GRU层
model.add(GRU(50))
model.add(Dropout(0.5))

# 添加输出层
model.add(Dense(1))

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

# 训练模型
model.fit(X_train, y_train, epochs=50, batch_size=64, validation_data=(X_test, y_test))

在这个模型中，我们首先添加了一个1D卷积层，用于提取输入序列中的特征。然后我们添加了一个GRU层，以便能够捕捉时间序列中的时间依赖关系。最后，我们通过一个Dense层来输出预测值。

请注意，这只是一个简单的模型示例。在实际应用中，您可能需要调整卷积层和GRU层的参数，以便更好地适应您的数据集。同时，您可能还需要进行数据预处理和其他调整以获得更好的结果。