扩写将时间序列形式的数据转换为监督学习集的形式，例如：{[10],[11],[12],[13],[14]}转换为{[0,10],[10,11],[11,12],[12,13],[13,14]}，即把前一个数作为输入，后一个数作为对应输出。以便于训练LSTM模型。

扩写是一个常见的数据预处理技术，主要用于将时间序列数据转换为监督学习数据集的形式，以便于训练LSTM模型。通常，我们使用前一时刻的数据作为输入，当前时刻的数据作为输出，这样就可以将时间序列数据转换为监督学习数据集的形式。

以{[10],[11],[12],[13],[14]}为例，我们可以将其转换为{[0,10],[10,11],[11,12],[12,13],[13,14]}。其中，每个样本包含两个部分，第一个部分是前一时刻的数据，第二个部分是当前时刻的数据。这样，我们就可以使用这个数据集来训练LSTM模型了。

具体实现时，我们可以使用Python中的numpy库来完成这个任务。下面是一个示例代码，可以将一个时间序列数据转换为监督学习数据集的形式：

import numpy as np

# 定义一个时间序列数据
data = np.array([[10], [11], [12], [13], [14]])

# 定义一个函数，用于将时间序列数据转换为监督学习数据集的形式
def create_dataset(data):
    X, Y = [], []
    for i in range(1, len(data)):
        X.append(data[i-1])
        Y.append(data[i])
    return np.array(X), np.array(Y)

# 调用函数，将数据转换为监督学习数据集的形式
X, Y = create_dataset(data)

# 输出转换后的数据集
print(X)
print(Y)

输出结果为：

[[10]
 [11]
 [12]
 [13]]
[[11]
 [12]
 [13]
 [14]]

可以看到，函数将原始的时间序列数据转换为了监督学习数据集的形式，其中X为输入数据，Y为对应的输出数据。这样，我们就可以使用这个数据集来训练LSTM模型了。