我现在有这些数据：10月7日-至今每日的：最高温度、最低温度、风速、湿度、是否周末或节假日（0表示否，1表示是）、总电量，现在我想建立一个LSTM模型，该模型通过这些历史数据训练，然后预测接下来6天的总电量，你帮我写一下代码，python或者matlab都可以

建立一个基于LSTM（长短时记忆网络）的时间序列预测模型通常会用到深度学习库，如Python的Keras或TensorFlow。这里我会给出一个使用Python和Keras的例子，因为它的语法简洁且易于理解。首先确保已经安装了所需的库：

pip install numpy pandas keras tensorflow matplotlib

然后，你可以按照以下步骤编写代码：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM
from datetime import timedelta

# 假设你的数据是一个pandas DataFrame，名为df，列名分别是'temperature', 'min_temp', 'wind_speed', 'humidity', 'is_weekend_or_holiday', 'total_energy'
# 数据应该按日期排序
data = df.values

# 将时间信息转换成连续的索引
dates = pd.date_range(start=df.index.min(), end=df.index.max()).values.reshape(-1, 1)
data = np.concatenate((data, dates), axis=1)

# 划分训练集和测试集
split_date = data[-(len(data)-6):].index[0]  # 假定我们要从第n天开始做6天的预测
train_data, test_data = data[:split_date], data[split_date:]

# 归一化数据
scaler = MinMaxScaler(feature_range=(0, 1))
train_data = scaler.fit_transform(train_data)
test_data = scaler.transform(test_data)

# 对齐时间序列以便输入LSTM
def create_dataset(length):
    X, Y = [], []
    for i in range(len(train_data) - length - 6):
        a = train_data[i:(i + length), :-1]
        X.append(a)
        Y.append(train_data[(i + length): (i + length + 6), -1])
    return np.array(X), np.array(Y)

# 配置LSTM模型
length = 60  # 输入长度
X_train, y_train = create_dataset(length)
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(length, X_train.shape[-1])))
model.add(LSTM(units=50))
model.add(Dense(1))

# 编译并训练模型
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train, epochs=100, batch_size=16)

# 预测
X_test, y_test = create_dataset(length)
predictions = model.predict(X_test)

# 反归一化预测结果
predictions = scaler.inverse_transform(predictions)

# 结果展示
print("Predicted total energy for the next 6 days:")
for day in predictions:
    print(day)

# 可视化
import matplotlib.pyplot as plt
plt.plot(y_test, label="Actual")
plt.plot(predictions, label="Predicted")
plt.legend()
plt.show()