请帮我写出使用普通的RNN和LSTM根据前9年的数据预测后3年的客流的python代码

首先，让我们了解如何使用Python和深度学习库如Keras来构建一个简单的循环神经网络（RNN）和长短期记忆网络（LSTM）模型用于时间序列预测。这里我们将使用假定的数据集作为示例，实际应用中你需要先处理好你的客流数据。

# 导入所需库
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 假设你有一个名为'data.csv'的时间序列数据文件
data = pd.read_csv('data.csv')

# 数据预处理
# 去除时间列，假设'year_month'是时间列，'passengers'是目标变量
data = data.drop(['year_month', 'passengers'], axis=1)

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

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

# 准备训练数据集（滑动窗口）
def create_dataset(dataset, look_back=9):
    X, Y = [], []
    for i in range(len(dataset) - 3):
        a = dataset[i:(i + look_back), :]
        X.append(a)
        Y.append(dataset[(i + look_back): (i + look_back + 3), 0])
    return np.array(X), np.array(Y)

look_back = 9
X_train, y_train = create_dataset(train_data, look_back)
X_test, y_test = create_dataset(test_data, look_back)

# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(look_back, train_data.shape[1])))
model.add(Dense(3))  # 输出层，预测后3年的数据点

model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=2)

# 预测
predictions = model.predict(X_test)

# 反归一化预测结果
predictions = scaler.inverse_transform(predictions)
y_test = scaler.inverse_transform(y_test.reshape(-1, 1))

# 打印预测结果
print("Predicted vs Actual:")
for pred, actual in zip(predictions[-3:], y_test[-3:]):
    print(f"Predicted: {pred}, Actual: {actual}")

# 相关问题--
1. 如何调整模型的超参数以优化预测性能？
2. 模型对异常值敏感吗？如果需要，应该如何处理？
3. 这种模型是否适合所有的时序预测任务？如果不是，有哪些其他方法可以考虑？》

这个例子是一个简化的版本，实际项目中你还需要处理缺失值、特征工程等问题，并可能需要调整模型结构和参数。