for i in range(lookback,n_samples): inputs=data.iloc[i-lookback:i][['temperature','humidity','wind_speeed','pollutant']] target_val=100+inputs['pollutant']*0.2+np.random.normal(loc=0,scale=10)

这是一段 Python 代码，基于 pandas 库和 numpy 库，用于制定输入数据和目标数据。其中 lookback 是历史记录的数量，n_samples 是样本数量，输入数据包括温度、湿度、风速和污染物浓度等信息，目标数据为污染物浓度乘以 0.2 再加上一个符合正态分布的随机数。

相关问题

import torch import torch.utils.data as Data import numpy as np class BatchDataset(Data.Dataset): def __init__(self, x, y): self.x = x self.y = y def __len__(self): return len(self.x) def __getitem__(self, index): return self.x[index], self.y[index] def split_data(stock, lookback, in_list, out_index): data_raw = stock.to_numpy() # convert to numpy array data = [] # create all possible sequences of length seq_len for index in range(len(data_raw) - lookback): data.append(data_raw[index: index + lookback]) data = np.array(data) test_set_size = int(np.round(0.2*data.shape[0])) train_set_size = data.shape[0] - (test_set_size) x_train = data[:train_set_size,:-1,in_list] y_train = data[:train_set_size,-1,out_index,None] x_test = data[train_set_size:,:-1,in_list] y_test = data[train_set_size:,-1,out_index,None] return [x_train, y_train, x_test, y_test] 请给我这段代码的伪代码

这这段这段代码这段代码主这段代码主要这段代码主要是这段代码主要是定义这段代码主要是定义了这段代码主要是定义了一个这段代码主要是定义了一个 Batch这段代码主要是定义了一个 BatchDataset这段代码主要是定义了一个 BatchDataset 类这段代码主要是定义了一个 BatchDataset 类，这段代码主要是定义了一个 BatchDataset 类，用这段代码主要是定义了一个 BatchDataset 类，用于这段代码主要是定义了一个 BatchDataset 类，用于处理这段代码主要是定义了一个 BatchDataset 类，用于处理数据这段代码主要是定义了一个 BatchDataset 类，用于处理数据集这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要求这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要求的这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要求的数据这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要求的数据集这段代码主要是定义了一个 BatchDataset 类，用于处理数据集。类中包含多个方法，比如初始化函数、长度函数、获取数据函数等等。其中最关键的是 split_data 函数，用于将输入数据进行预处理，使其适用于神经网络的训练。这个函数会将原始数据转化成 numpy 格式，调用 numpy 的方法进行分离和重组，得到一个满足要求的数据集。

python操作resultym.csv数据表（有Date（YYYY/MM）、TotalPrice两列数据），数据表第一行为表头信息，数据表中前27行都有数据，以此为基础，python调用resultym.csv表进行操作：循环调用以resultym.csv为数据集构建的pytorch lstm预测模型（模型实现过程：先读取resultym.csv，然后用scaler将TotalPrice进行归一化处理，之后定义一个函数def split_data(data, lookback):将数据集划分为测试集（0.2）和训练集（0.8），data_raw = data.to_numpy()，lookback = 4，然后再将划分完成后的测试集和训练集转换为PyTorch张量，然后定义超参数，定义算法模型model=LSTM（）、损失函数和优化器（Adam）然后训练模型），该模型能够根据Date值来预测TotalPrice值，然后将第一次预测出的y_test_pred赋值给B26、将第二次预测出的值赋给B27、将第三次预测出的值赋给B28，一直循环直到求出B50的数值。每预测出一个值就在表的最后一行插入一组数据，插入的数据为：Date插入的值按照前面的年月往下延(即按照2023/03、2023/04、2023/05········2025/01的顺序)，TotalPrice插入的值定义为2222222.5。直到求出第50行的数值，脚本停止运行。

以下是一个可能的实现过程，仅供参考：

import pandas as pd
import numpy as np
import torch
import torch.nn as nn
from sklearn.preprocessing import MinMaxScaler

# 定义模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        h0 = torch.zeros(1, input.size(1), self.hidden_size).to(input.device)
        c0 = torch.zeros(1, input.size(1), self.hidden_size).to(input.device)
        output, _ = self.lstm(input, (h0, c0))
        output = self.fc(output[-1])
        return output

# 定义数据划分函数
def split_data(data, lookback):
    data_raw = data.to_numpy()
    scaler = MinMaxScaler()
    data_scaled = scaler.fit_transform(data_raw)
    x = []
    y = []
    for i in range(len(data_scaled) - lookback):
        x.append(data_scaled[i:i + lookback])
        y.append(data_scaled[i + lookback])
    x = np.array(x)
    y = np.array(y)
    train_size = int(len(x) * 0.8)
    x_train = torch.from_numpy(x[:train_size, :, :]).type(torch.Tensor)
    y_train = torch.from_numpy(y[:train_size, :]).type(torch.Tensor)
    x_test = torch.from_numpy(x[train_size:, :, :]).type(torch.Tensor)
    y_test = torch.from_numpy(y[train_size:, :]).type(torch.Tensor)
    return x_train, y_train, x_test, y_test, scaler

# 读取数据
data = pd.read_csv("resultym.csv")
lookback = 4
total_price_col_idx = 1
output_size = 1
hidden_size = 16
device = torch.device("cpu")
model = LSTM(lookback, hidden_size, output_size).to(device)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
num_epochs = 1000

# 预测并插入数据
for i in range(26, 50):
    # 划分数据集
    x_train, y_train, x_test, y_test, scaler = split_data(data.iloc[:i, 1:], lookback)
    # 训练模型
    for epoch in range(num_epochs):
        optimizer.zero_grad()
        y_train_pred = model(x_train.to(device))
        loss = criterion(y_train_pred, y_train.to(device))
        loss.backward()
        optimizer.step()

    # 预测测试集
    x_test = x_test[-1:, :, :]
    y_test_pred = model(x_test.to(device))
    y_test_pred = scaler.inverse_transform(y_test_pred.detach().numpy())[0][0]
    data.loc[i, "TotalPrice"] = y_test_pred
    data.loc[i+1] = [f"2023/{i+4:02d}", 2222222.5]

# 输出结果
print(data)

其中，模型训练和预测的过程与前面的实现类似，主要的区别在于每次预测完之后需要将预测结果插入数据表中，并且在插入时需要按照一定规则生成新的日期值。另外，由于每次预测时只需要使用前面的数据，因此可以每次只读取前面的部分数据进行训练和预测，避免了重复计算。