把这个线性回归模型改成lstm

将线性回归模型改为LSTM模型需要进行一些调整。LSTM（Long Short-Term Memory）是一种递归神经网络（RNN）的变体，适用于处理序列数据。

首先，我们需要导入适用于LSTM模型的库和类：

import torch
import torch.nn as nn

接下来，我们可以定义一个LSTM模型类，继承自`nn.Module`类，并实现其中的方法：

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        output = self.fc(lstm_out.view(len(input), -1))
        return output[-1]

在上面的代码中，我们定义了一个`LSTMModel`类，其中包含了一个LSTM层和一个全连接层（线性层）。`__init__`方法用于初始化模型的参数，`forward`方法用于定义前向传播的过程。

在训练和预测过程中，我们需要将数据转换为适合LSTM模型输入的张量形式。以下是一个示例：

# 将数据转换为张量形式
inputs = torch.tensor(df['年份'].values, dtype=torch.float32)
labels = torch.tensor(df[['PCI', 'RQI', 'RDI', 'SRI']].values, dtype=torch.float32)

# 创建LSTM模型实例
model = LSTMModel(input_size=1, hidden_size=64, output_size=4)  # 假设输入特征维度为1，隐藏层大小为64，输出特征维度为4

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 进行模型训练
for epoch in range(100):
    optimizer.zero_grad()
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    loss.backward()
    optimizer.step()

# 进行预测
future_inputs = torch.tensor(future_years, dtype=torch.float32)
predictions = model(future_inputs)

在上面的代码中，我们首先将输入和标签数据转换为张量形式。然后，我们创建了一个`LSTMModel`实例，并定义了损失函数和优化器。接下来，我们使用循环进行模型训练，反向传播并更新参数。最后，我们使用模型进行未来几年的预测。

请注意，上述代码仅提供了LSTM模型的基本示例。在实际应用中，您可能需要根据具体任务进行适当的调整和扩展，例如添加更多的LSTM层、调整超参数、对数据进行预处理等。