写一个时间序列预测模型代码

当然，以下是一个简单的时间序列预测模型的代码示例，使用了Python中的Keras库和LSTM神经网络模型：

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

# 创建样本数据
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]

# 将数据转换为适用于LSTM模型的输入格式
def create_dataset(data, look_back=1):
    X, Y = [], []
    for i in range(len(data)-look_back):
        X.append(data[i:i+look_back])
        Y.append(data[i+look_back])
    return np.array(X), np.array(Y)

# 设置随机种子以保证可复现性
np.random.seed(0)

# 创建训练集和测试集
train_data = data[:8]
test_data = data[8:]

# 设置回顾窗口大小（过去的时间步数）
look_back = 3

# 构建训练集和测试集
train_X, train_Y = create_dataset(train_data, look_back)
test_X, test_Y = create_dataset(test_data, look_back)

# 将输入数据重塑为适合LSTM模型的张量形状 [样本数，时间步数，特征数]
train_X = np.reshape(train_X, (train_X.shape[0], train_X.shape[1], 1))
test_X = np.reshape(test_X, (test_X.shape[0], test_X.shape[1], 1))

# 创建并训练LSTM模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(look_back, 1)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(train_X, train_Y, epochs=100, batch_size=1, verbose=2)

# 在测试集上进行预测
test_predictions = model.predict(test_X)

# 打印预测结果
print(test_predictions)

这段代码实现了一个简单的时间序列预测模型。它将输入的时间序列数据转换为适用于LSTM模型的格式，并使用训练集对模型进行训练。然后，使用训练好的模型对测试集进行预测，并打印预测结果。请注意，这只是一个简单的示例，实际应用中可能需要进行更多的调优和改进。