写一段python代码，读取一个csv文件，该文件的第一列为时间编号,编号以1,2,3……这样自然数的形式出现，第二列为充电量数值，将该数据集的前70%划分为训练集，其余部分设置为测试集，利用svr模型预测该时间序列，并打印rmse作为评价指标，并分别绘制训练集的真实值和预测值图片以及测试集的真实值和预测值图片，两张图片的横坐标单位为time/h，纵坐标单位为kwh

以下是代码实现：

import pandas as pd
import numpy as np
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error
import matplotlib.pyplot as plt

# 读取数据集
data = pd.read_csv('data.csv')

# 提取特征和标签
X = data.iloc[:, 0].values.reshape(-1, 1)
y = data.iloc[:, 1].values.reshape(-1, 1)

# 划分训练集和测试集
train_size = int(len(X) * 0.7)
X_train, X_test = X[:train_size], X[train_size:]
y_train, y_test = y[:train_size], y[train_size:]

# 创建SVR模型
svr = SVR(kernel='rbf', C=1e3, gamma=0.1)

# 模型训练
svr.fit(X_train, y_train)

# 模型预测
y_train_pred = svr.predict(X_train)
y_test_pred = svr.predict(X_test)

# 计算RMSE
train_rmse = np.sqrt(mean_squared_error(y_train, y_train_pred))
test_rmse = np.sqrt(mean_squared_error(y_test, y_test_pred))
print("Train RMSE:", train_rmse)
print("Test RMSE:", test_rmse)

# 绘制训练集真实值和预测值图像
plt.figure(figsize=(10, 6))
plt.plot(X_train, y_train, label='True Values')
plt.plot(X_train, y_train_pred, label='Predictions')
plt.xlabel('Time (h)')
plt.ylabel('kWh')
plt.legend()
plt.title('SVR Model - Training Set')
plt.show()

# 绘制测试集真实值和预测值图像
plt.figure(figsize=(10, 6))
plt.plot(X_test, y_test, label='True Values')
plt.plot(X_test, y_test_pred, label='Predictions')
plt.xlabel('Time (h)')
plt.ylabel('kWh')
plt.legend()
plt.title('SVR Model - Test Set')
plt.show()

其中，`data.csv` 是数据集文件名。请确保文件存在并且格式正确。

这段代码首先读取数据集，然后将数据集划分为训练集和测试集。接着，创建一个支持向量回归（SVR）模型并对训练集进行拟合。使用模型对训练集和测试集进行预测，并计算并打印训练集和测试集的 RMSE。最后，绘制训练集和测试集的真实值和预测值图像。