对上述数据，做一个基于lstm的时间序列预测，给出python代码，同时不使用tensorflow和keair

对于基于LSTM的时间序列预测，我们可以使用PyTorch库，因为它也支持循环神经网络(RNN)模型，包括LSTM。以下是一个简单的例子，展示如何使用PyTorch构建一个基本的LSTM模型对给定的数据进行预测：

import torch
import torch.nn as nn
import numpy as np

# 假设你的数据已经处理成numpy数组，data是时间序列，target是下一个时间步的值
data = np.array([...]) # 将实际数据替换这里
n_features = data.shape[1]  # 特征数
n_steps = data.shape[0] // 2  # 预测步长，假设我们想要预测前两年的数据
n_outputs = 1  # 输出通道数，这里是总降水量

class LSTMModel(nn.Module):
    def __init__(self, n_features, n_steps, n_outputs):
        super().__init__()
        self.lstm = nn.LSTM(n_features, 50, batch_first=True)
        self.fc = nn.Linear(50, n_outputs)

    def forward(self, x):
        lstm_out, (hidden, cell) = self.lstm(x)
        out = self.fc(lstm_out[:, -1, :])
        return out

# 数据预处理
def create_dataset(data, look_back=1):
    X, Y = [], []
    for i in range(len(data)-look_back-1):
        a = data[i:(i+look_back), :]
        X.append(a)
        Y.append(data[i + look_back, 0])
    return np.array(X), np.array(Y)

# 将数据划分为训练集和测试集
X_train, y_train = create_dataset(data[:-n_steps], look_back=n_steps)
X_test, y_test = create_dataset(data[-n_steps:], look_back=n_steps)

# 转换为Tensor并标准化
X_train = torch.tensor(X_train, dtype=torch.float32).permute((0, 2, 1)) / 255.0  # 假设数据已归一化
y_train = torch.tensor(y_train, dtype=torch.float32)
X_test = torch.tensor(X_test, dtype=torch.float32).permute((0, 2, 1)) / 255.0

model = LSTMModel(n_features, n_steps, n_outputs)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()

# 训练模型
for epoch in range(50):  # 可视化调整此参数
    model.train()
    optimizer.zero_grad()
    output = model(X_train)
    loss = criterion(output, y_train.view(-1))
    loss.backward()
    optimizer.step()

# 测试模型
model.eval()
with torch.no_grad():
    predictions = model(X_test)
    mse = criterion(predictions, y_test.view(-1))

print(f'Mean Squared Error on test set: {mse.item()}')

# 对新数据做预测
new_data = data[-n_steps:].reshape(1, n_steps, n_features)
prediction = model(torch.tensor(new_data, dtype=torch.float32).permute((0, 2, 1)))  # 预测下一年的降水量

注意：这个代码示例仅用于演示如何建立一个基础模型，实际应用中你可能需要根据数据特性、超参数调整和验证流程进行优化。另外，你需要将`create_dataset`函数中的`look_back`参数设置为你希望使用的预测长度。最后，记得处理好缺失值、异常值和序列对齐等问题。