写一个CNN预测时序数据使用model = Sequential()

当使用CNN模型来预测时序数据时，可以使用Keras库中的Sequential模型来构建模型。下面是一个使用Sequential模型的示例代码：

from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

# 创建Sequential模型
model = Sequential()

# 添加卷积层
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(timesteps, features)))
# filters表示卷积核的数量，kernel_size表示卷积核的大小，activation表示激活函数，input_shape表示输入数据的形状（timesteps表示时间步长，features表示特征维度）

# 添加池化层
model.add(MaxPooling1D(pool_size=2))
# pool_size表示池化窗口的大小

# 添加Flatten层
model.add(Flatten())

# 添加全连接层
model.add(Dense(units=64, activation='relu'))
# units表示全连接层的神经元数量

# 添加输出层
model.add(Dense(units=num_classes, activation='softmax'))
# num_classes表示类别数量，activation表示输出层的激活函数

在上述代码中，我们首先创建了一个Sequential模型。然后按照顺序添加了卷积层、池化层、Flatten层、全连接层和输出层。

需要根据具体的问题和数据特点，调整卷积核数量、大小、池化窗口大小、全连接层神经元数量等参数。同时，根据具体的任务需求，选择适当的激活函数和损失函数。

这只是一个简单的示例，实际应用中可能需要根据具体情况进行更复杂的模型设计和调参。