写一段利用lstm模型预测单变量时间序列的python代码

下面是一个利用LSTM模型预测单变量时间序列的Python代码示例：

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM

# 加载数据集
data = pd.read_csv('time_series_data.csv', header=0, parse_dates=[0], index_col=0, squeeze=True)

# 将数据集转换为监督学习问题
def create_dataset(dataset, look_back=1):
    X, Y = [], []
    for i in range(len(dataset)-look_back-1):
        a = dataset[i:(i+look_back), 0]
        X.append(a)
        Y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(Y)

# 数据预处理
dataset = data.values
dataset = dataset.astype('float32')

# 分割训练集和测试集
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

# 创建监督学习问题
look_back = 3
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# 将输入重塑为 [样本数, 时间步, 特征数] 的形状
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))

# 创建并拟合LSTM模型
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)

# 用训练好的模型预测测试集
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

# 反转缩放数据
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])

# 计算模型的误差
trainScore = math.sqrt(mean_squared_error(trainY[0], trainPredict[:,0]))
print('Train Score: %.2f RMSE' % (trainScore))
testScore = math.sqrt(mean_squared_error(testY[0], testPredict[:,0]))
print('Test Score: %.2f RMSE' % (testScore))

代码中的数据集是一个单变量时间序列，其中每一行代表了一个时间点上的观测值。我们首先将数据集转化为监督学习问题，然后进行数据预处理，包括归一化和分割训练集和测试集。接下来，我们将输入重塑为 [样本数, 时间步, 特征数] 的形状，并创建一个简单的LSTM模型。我们用训练集拟合模型，并用测试集进行预测。最后，我们计算模型的误差，并输出训练集和测试集的RMSE评分。