帮我写一段构建循环神经网络预测模型的python代码

构建一个简单的循环神经网络(RNN)模型用于预测任务，这里以Keras库为例，假设我们正在预测一个股票价格序列：

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

# 假设我们的数据是一个二维数组，每行代表一个时间步，列是特征
# data[:, 0]是前一个时间步的价格作为输入，data[:, -1]是我们想要预测的目标价格
data = ...

# 将数据分为训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 归一化数据
train_mean = train_data.mean(axis=0)
train_std = train_data.std(axis=0)
train_data = (train_data - train_mean) / train_std
test_data = (test_data - train_mean) / train_std

# 定义模型
model = Sequential()
model.add(LSTM(64, input_shape=(None, len(train_data[0][0]))))  # LSTM单元数
model.add(Dense(1))  # 输出一层只有一个节点，因为我们预测一个数值

# 编译模型
model.compile(optimizer='adam', loss='mse')  # 使用均方误差(MSE)作为损失函数

# 转换数据形状适应RNN输入
X_train, y_train = [], []
for i in range(len(train_data)-1):
    X_train.append(train_data[i])
    y_train.append(train_data[i+1])  # 输入是前一步，输出是下一步
X_train, y_train = np.array(X_train), np.array(y_train)

model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)  # 训练模型

# 对测试集进行同样的预处理
X_test, y_test = [], []
for i in range(len(test_data)-1):
    X_test.append(test_data[i])
    y_test.append(test_data[i+1])
X_test, y_test = np.array(X_test), np.array(y_test)

# 预测
predictions = model.predict(X_test)

# 可视化或后续处理预测结果