CNN时间序列预测代码

当然，我可以为您提供一个简单的CNN时间序列预测代码示例。以下是一个使用TensorFlow和Keras库的示例代码：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

# 生成随机的时间序列数据
data = np.random.random((1000, 10))  # 1000个样本，每个样本有10个时间步

# 创建输入和目标数据
X = data[:, :-1]  # 输入序列，去除最后一个时间步
y = data[:, -1]  # 目标序列，最后一个时间步

# 将数据重塑为CNN所需的形状
X = X.reshape((X.shape[0], X.shape[1], 1))  # 添加通道维度

# 创建CNN模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(X.shape[1], 1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(50, activation='relu'))
model.add(Dense(1))

# 编译和训练模型
model.compile(optimizer='adam', loss='mse')
model.fit(X, y, epochs=10, batch_size=32)

# 使用模型进行预测
test_sample = X[0].reshape((1, X.shape[1], 1))  # 选择第一个样本进行预测
prediction = model.predict(test_sample)
print("预测值：", prediction)

请注意，这只是一个简单的示例，并且您可能需要根据您的数据和问题进行适当的调整。此示例仅用于演示CNN在时间序列预测中的用法，不代表最优的模型架构或参数设置。