LSTM回归预测keras

可以使用Keras中的LSTM模型进行回归预测。以下是一个简单的代码示例：

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

# 生成数据
data = np.array([[i, i+1, i+2, i+3] for i in range(100)])
target = np.array([i+4 for i in range(100)])

# 将数据转换为LSTM模型需要的格式
data = np.reshape(data, (data.shape[0], data.shape[1], 1))

# 创建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(4, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(data, target, epochs=100, batch_size=1, verbose=2)

# 预测结果
test_data = np.array([[97, 98, 99, 100]])
test_data = np.reshape(test_data, (test_data.shape[0], test_data.shape[1], 1))
print(model.predict(test_data))

这个模型使用了一个LSTM层和一个全连接层，输入数据的形状为(样本数, 时间步长, 特征数)。在这个例子中，时间步长为4，特征数为1。模型使用均方误差作为损失函数，Adam作为优化器。训练100个epoch后，可以使用模型进行预测。