在PyTorch中處理時間序列數據任務通常需要使用torch.nn.RNN, torch.nn.LSTM, torch.nn.GRU等遞歸神經網絡模塊，以及torch.utils.data.Dataset和torch.utils.data.DataLoader等數據加載工具。

以下是一個簡單的示例，演示如何使用PyTorch處理一個時間序列數據任務：

1. 創建一個自定義的Dataset類，用于加載時間序列數據：

import torch
from torch.utils.data import Dataset

class TimeSeriesDataset(Dataset):
    def __init__(self, data):
        self.data = data
    
    def __len__(self):
        return len(self.data)
    
    def __getitem__(self, idx):
        return self.data[idx]

2. 定義一個包含RNN的模型：

import torch.nn as nn

class RNNModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(RNNModel, self).__init__()
        self.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
    
    def forward(self, x):
        out, _ = self.rnn(x)
        out = self.fc(out[:, -1, :])
        return out

3. 準備數據并訓練模型：

# 定義超參數
input_size = 1
hidden_size = 64
num_layers = 1
output_size = 1
num_epochs = 100
learning_rate = 0.001

# 準備數據
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
dataset = TimeSeriesDataset(data)
dataloader = DataLoader(dataset, batch_size=1, shuffle=True)

# 初始化模型
model = RNNModel(input_size, hidden_size, num_layers, output_size)

# 定義損失函數和優化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 訓練模型
for epoch in range(num_epochs):
    for i, batch in enumerate(dataloader):
        inputs = batch.float().unsqueeze(2)
        targets = inputs.clone()
        
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        if (i+1) % 10 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(dataloader), loss.item()))

在上述示例中，我們首先創建了一個自定義的Dataset類來加載時間序列數據，然后定義了一個包含RNN的模型RNNModel，最后準備數據并訓練模型。在訓練過程中，我們使用了均方誤差損失函數和Adam優化器來優化模型。