tensorflow gru 多变量时间序列预测

在TensorFlow中，可以使用tf.keras.layers.GRU来构建GRU模型进行多变量时间序列预测。下面是一个基本的代码示例：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import GRU, Dense

# 定义模型
model = Sequential()
model.add(GRU(units=64, activation='tanh', input_shape=(timesteps, input_dim)))
model.add(Dense(units=output_dim))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(x_train, y_train, epochs=100, batch_size=32)

其中，timesteps表示时间步数，input_dim表示输入变量的数量，output_dim表示输出变量的数量。在上述代码中，我们使用了一个GRU层和一个全连接层，其中GRU层的激活函数为tanh。训练模型时，我们使用了均方误差作为损失函数，Adam作为优化器。

需要注意的是，x_train和y_train应该是形状为(batch_size, timesteps, input_dim)和(batch_size, output_dim)的张量，分别表示输入序列和目标序列。在训练前，需要将数据进行预处理，例如归一化、标准化等。