RNN处理时间序列问题的python代码

RNN（循环神经网络）常用于处理时间序列数据，因为它能够利用之前的信息来预测后续的数据点。在Python中，我们可以使用Keras库来构建一个基本的RNN模型。下面是一个简单的例子：

# 导入所需的库
import numpy as np
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense

# 假设我们有如下的时间序列数据 (长度为100，特征数为4)
data = np.random.rand(100, 4)

# 数据预处理
inputs = data[:, :-1]  # Xs (输入序列)
outputs = data[:, -1:]  # Ys (目标序列)

# 创建RNN模型
model = Sequential()
model.add(SimpleRNN(units=32, input_shape=(None, inputs.shape[1])))  # 隐藏层大小
model.add(Dense(1))  # 输出层，假设我们只有一个目标值

# 编译模型
model.compile(optimizer='adam', loss='mse')  # 使用均方误差作为损失函数

# 训练模型
model.fit(inputs, outputs, epochs=100, batch_size=32)

# 对新数据进行预测
new_data = np.random.rand(1, 4)[:-1]
prediction = model.predict(new_data)

#