编写一个完整的LSTM预测模型

在深度学习中，Long Short-Term Memory (LSTM) 是一种常用的循环神经网络（RNN），特别适合处理序列数据，如文本、音频和时间序列。下面是一个简单的Python示例，使用Keras库构建一个LSTM预测模型。假设我们要做的是股票价格预测：

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

# 假设我们有一个包含特征和目标值的数组（每个样本是一个时间步长）
# features: [t-10, t-9, ..., t]
# target: [t+1, t+2, ...]
features = np.load('stock_features.npy')
target = np.load('stock_target.npy')

# 数据预处理：归一化或标准化
features = features.reshape(-1, 1, features.shape[1])
target = target.reshape(-1, 1)

# 划分训练集和测试集
split_ratio = 0.8
train_size = int(len(features) * split_ratio)
train_features, test_features = features[:train_size], features[train_size:]
train_target, test_target = target[:train_size], target[train_size:]

# 构建模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(None, features.shape[-1])))
model.add(LSTM(units=50))
model.add(Dense(units=1))

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

# 训练模型
model.fit(train_features, train_target, epochs=100, batch_size=32)

# 预测
predictions = model.predict(test_features)

# 可能需要进一步的后处理，比如解归一化
predicted_prices = predictions.flatten() * target_std + target_mean