举一个python写的一维神经网络处理时间序列数据的例子，附代码

一维神经网络用于处理时间序列数据通常是在预测股票价格、天气变化或其他周期性事件时应用。这里有一个简单的例子，我们将使用Keras库在Python中构建一个基本的LSTM（长短期记忆）模型来处理时间序列数据。请注意，这只是一个基础示例，并未包含完整的训练过程。

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

# 假设我们有如下虚构的时间序列数据（每个样本是一段历史数据）
# 这里仅作演示，实际数据需要从CSV或其他来源读取
n_samples = 50
timesteps = 10
input_dim = 1
output_dim = 1
data = np.random.rand(n_samples, timesteps, input_dim)

# 创建一个顺序模型（Sequential）
model = Sequential()

# 添加LSTM层，注意我们需要设置return_sequences=True以便下一层接收整个序列
model.add(LSTM(units=64, input_shape=(timesteps, input_dim), return_sequences=True))

# 添加一个全连接层作为输出层
model.add(LSTM(units=32))
model.add(Dense(output_dim))

# 编译模型，设定损失函数和优化器
model.compile(loss='mean_squared_error', optimizer='adam')

# 简单展示如何使用该模型进行预测（假设fit()已经被调用过）
# 预测单个样本
prediction = model.predict(np.expand_dims(data[0], axis=0))

# 打印预测结果
print("预测值:", prediction[0])

#