用Python写一个LSTM预测

好的，以下是一个用Python编写的LSTM预测代码示例：

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

# 创建输入数据
data = [10, 20, 30, 40, 50, 60, 70, 80, 90]

# 将数据转为有监督学习数据集
def create_dataset(data):
    dataX, dataY = [], []
    for i in range(len(data)-1):
        dataX.append(data[i])
        dataY.append(data[i+1])
    return np.array(dataX), np.array(dataY)

trainX, trainY = create_dataset(data)

# 将数据重塑为LSTM输入格式
trainX = np.reshape(trainX, (trainX.shape[0], 1, 1))

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

# 使用模型进行预测
testX = np.array([100])
testX = np.reshape(testX, (1, 1, 1))
prediction = model.predict(testX)
print(prediction)

以上代码中，我们首先创建了一个长度为9的数据集，然后将其转换为LSTM模型的有监督学习数据集格式。接着，我们将训练数据重塑为LSTM模型的输入格式，构建一个包含一个LSTM层和一个全连接层的模型，并使用均方误差损失函数和Adam优化器进行编译。最后，我们使用训练好的模型进行预测。在这个示例中，我们使用模型预测100的下一个值。