上方的代码加入如下功能：保存预测的数据到csv文件

好的，加入保存预测数据到CSV文件的功能，可以按照以下方式修改代码：

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

# 加载数据集
data = pd.read_csv('data.csv')
data = data[['x', 'y']].values.astype('float32')

# 数据缩放
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data)

# 划分训练集和测试集
train_size = int(len(data) * 0.8)
test_size = len(data) - train_size
train_data, test_data = data[0:train_size,:], data[train_size:len(data),:]

# 创建训练数据集和测试数据集
def create_dataset(dataset, look_back=10):
    X, Y = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), :]
        X.append(a)
        Y.append(dataset[i + look_back, :])
    return np.array(X), np.array(Y)

look_back = 10
trainX, trainY = create_dataset(train_data, look_back)
testX, testY = create_dataset(test_data, look_back)

# 创建LSTM模型
model = Sequential()
model.add(LSTM(100, input_shape=(look_back, 2)))
model.add(Dense(2))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(trainX, trainY, epochs=50, batch_size=64, verbose=2)

# 生成预测数据
testPredict = model.predict(testX)
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform(testY)

# 将预测数据保存到CSV文件
np.savetxt("predictions.csv", testPredict, delimiter=",")

这样修改后，代码将在模型训练完毕后将预测数据保存到名为"predictions.csv"的CSV文件中。您可以根据需要修改保存的文件名和路径。