kreas lstm时间序列预测

Keras 是一个开源的深度学习框架，其中包含了很多预训练的模型和可以自定义的模型。LSTM（Long Short-Term Memory） 是一种常用于处理时间序列数据的循环神经网络模型。在 Keras 中，可以使用 `LSTM` 层来构建 LSTM 模型，同时可以使用 `Dense` 层来添加全连接层。

下面是一个使用 Keras 中的 LSTM 模型进行时间序列预测的示例代码：

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

# 构建训练数据
data = np.array([[i+j for i in range(5)] for j in range(100)])
target = np.array([data[i+5] for i in range(95)])
data = data.reshape(100, 5, 1)

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(64, input_shape=(5, 1)))
model.add(Dense(5))

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

# 训练模型
model.fit(data[:95], target, epochs=1000, batch_size=1, verbose=2)

# 预测数据
predict_data = np.array([[[100], [101], [102], [103], [104]]])
result = model.predict(predict_data)

print(result)

在上面的代码中，首先使用 `numpy` 构建了一个简单的时间序列数据，然后将数据转换为 `LSTM` 模型所需要的格式。接下来，使用 `Sequential` 构建了一个包含一个 `LSTM` 层和一个全连接层的模型。然后编译模型，指定损失函数和优化器。最后训练模型，使用 `fit` 方法进行训练，并使用 `predict` 方法进行预测。