用keras做lstm预测

好的，下面是一个简单的LSTM模型的例子，用于预测时间序列数据：

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

# 生成一些时间序列数据
data = np.array([[i, i+1, i+2, i+3, i+4] for i in range(100)])
target = np.array([i+5 for i in range(100)])

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

# 创建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(5, 1)))
model.add(Dense(1))
model.compile(loss='mse', optimizer='adam')

# 训练模型
model.fit(data, target, epochs=100, batch_size=10)

# 对新数据进行预测
test_data = np.array([[100, 101, 102, 103, 104]])
test_data = np.reshape(test_data, (test_data.shape[0], test_data.shape[1], 1))
prediction = model.predict(test_data)
print(prediction)

这个例子中，我们使用了一个包含50个LSTM神经元的模型来预测下一个数值。我们训练模型使用的数据是一个包含100个时间序列记录的数组，每个记录包含5个数值。我们将这些数据转换成LSTM的输入格式，即数据的形状变成了 (100, 5, 1)。我们使用平均平方误差作为损失函数，使用Adam优化器进行训练。最后，我们使用模型来对一个新的输入数据进行预测。