将时间序列数据划分为训练集和测试集，并分batch_size

要将时间序列数据划分为训练集和测试集，并分批次（batch），可以使用`torch.utils.data.Dataset`和`torch.utils.data.DataLoader`类来进行操作。

以下是一个示例：

import torch
from torch.utils.data import Dataset, DataLoader

# 自定义时间序列数据集类
class TimeSeriesDataset(Dataset):
    def __init__(self, data, window_size):
        self.data = data
        self.window_size = window_size
        
    def __len__(self):
        return len(self.data) - self.window_size + 1
    
    def __getitem__(self, index):
        window = self.data[index:index+self.window_size]
        target = self.data[index+self.window_size]
        return window, target

# 创建时间序列数据
data = range(100)

# 指定窗口大小和批次大小
window_size = 10
batch_size = 5

# 将数据转换为时间序列数据集
dataset = TimeSeriesDataset(data, window_size)

# 划分训练集和测试集
train_size = int(0.8 * len(dataset))
test_size = len(dataset) - train_size
train_dataset, test_dataset = torch.utils.data.random_split(dataset, [train_size, test_size])

# 创建数据加载器
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)

# 遍历每个批次数据
for batch in train_loader:
    print(batch)

在这个示例中，我们首先创建了一个自定义的时间序列数据集类`TimeSeriesDataset`，该类继承自`torch.utils.data.Dataset`。在数据集类中，我们实现了`__len__()`和`__getitem__()`两个方法，分别用于返回数据集的长度和获取指定索引处的数据窗口和目标值。

然后，我们创建了一个包含100个时间序列数据的数据集，并将其转换为时间序列数据集`dataset`。

接下来，我们使用`torch.utils.data.random_split()`函数将数据集划分为训练集和测试集，其中80%的数据用于训练集，20%的数据用于测试集。

然后，我们使用`DataLoader`类创建训练集和测试集的数据加载器`train_loader`和`test_loader`，其中指定了批次大小为5，并设置了相应的shuffle参数。

最后，我们使用`for`循环遍历训练集数据加载器中的每个批次，并打印出来。

运行代码后，将会得到按照指定批次大小划分的训练集数据批次。你可以根据需要调整窗口大小和批次大小，并对测试集数据加载器进行相同的操作。