keras lstm时间序列预测，帮我编写归一化和反归一化代码

Keras是一个高级神经网络API，它可以在TensorFlow、CNTK或Theano等后端上运行。LSTM是一种递归神经网络，它可以处理时间序列数据。在Keras中，我们可以使用LSTM层来构建时间序列预测模型。

归一化和反归一化是为了将数据缩放到一个特定的范围内，以便于神经网络的训练和预测。在时间序列预测中，我们通常使用MinMaxScaler来进行归一化和反归一化。

以下是一个简单的Keras LSTM时间序列预测模型的代码示例，包括归一化和反归一化的代码：

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

# 生成时间序列数据
data = np.array([i*np.sin(i/10) for i in range(100)])

# 归一化数据
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data.reshape(-1, 1))

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

look_back = 5
X, Y = create_dataset(data, look_back)

# 将数据分为训练集和测试集
train_size = int(len(X) * 0.7)
test_size = len(X) - train_size
X_train, X_test = X[:train_size], X[train_size:]
Y_train, Y_test = Y[:train_size], Y[train_size:]

# 将数据转换为LSTM的输入格式
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], 1))

# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(look_back, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, Y_train, epochs=100, batch_size=1, verbose=2)

# 使用模型进行预测
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 反归一化数据
train_predict = scaler.inverse_transform(train_predict)
Y_train = scaler.inverse_transform([Y_train])
test_predict = scaler.inverse_transform(test_predict)
Y_test = scaler.inverse_transform([Y_test])

# 输出预测结果
print('Train Mean Squared Error:', np.mean((Y_train[0] - train_predict[:,0])**2))
print('Test Mean Squared Error:', np.mean((Y_test[0] - test_predict[:,0])**2))

# 相关问题：
# 1. 什么是时间序列预测？
# 2. 什么是LSTM？
# 3. 归一化和反归一化的作用是什么？