对于预测时间序列数据，我觉得最好的选择是LSTM，它是一种递归神经网络，非常适合于时间序列回归。在

如果您不想深入研究神经网络的后端，我建议您使用Keras库，它是Tensorflow框架的包装器。在

假设你有一个一维数组，你想预测下一个值。Keras中的代码可能如下所示：#start off by building the training data, let arr = the list of values

X = []

y = []

for i in range(len(arr)-100-1):

X.append(arr[i:i+100]) #get prev 100 values for the X

y.append(arr[i+100]) # predict next value for Y

由于LSTM需要三维输入，因此我们希望将X数据重塑为具有3个维度：

^{pr2}$

现在，以时间为单位，以时间为单位

在这里，我们可以使用keras构建一个神经网络：from keras.models import Sequential

from keras.layers import Dense, LSTM

model = Sequential()

model.add(LSTM(input_shape = (len(X[0], 1)) #input 3-D timeseries data

model.add(Dense(1)) #output 1-D vector of predicted values

model.compile(loss='mean_squared_error', optimizer='adam')

model.fit(X, y)

viola，你可以用你的模型来预测数据中的下一个值