LSTM模型预测的代码？

LSTM（Long Short-Term Memory）是一种常用的循环神经网络（RNN）模型，用于处理序列数据。它在处理长期依赖性问题上表现出色。下面是一个简单的LSTM模型预测的代码示例：

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

# 准备数据
data = np.array([[1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
                 [2, 4, 6, 8, 10, 12, 14, 16, 18, 20],
                 [3, 6, 9, 12, 15, 18, 21, 24, 27, 30]])
data = np.reshape(data, (3, 10, 1))  # 调整数据形状为(samples, timesteps, features)

# 构建模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(10, 1)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(data[:, :-1], data[:, -1], epochs=1000)

# 预测
test_data = np.array([[6, 7, 8, 9, 10, 11, 12, 13, 14]])
test_data = np.reshape(test_data, (1, 9, 1))
prediction = model.predict(test_data)
print(prediction)

这段代码使用Keras库构建了一个简单的LSTM模型。首先，我们准备了一个包含3个样本的数据集，每个样本有10个时间步长的特征。然后，我们定义了一个包含50个神经元的LSTM层，并在其之后添加了一个全连接层。模型使用均方误差（MSE）作为损失函数，并使用Adam优化器进行训练。最后，我们使用训练好的模型对一个测试样本进行预测，并输出预测结果。