在Keras中，可以使用LSTM（Long Short-Term Memory）或GRU（Gated Recurrent Unit）等循環神經網絡來建模時序數據。以下是一個簡單的例子，展示如何使用Keras來建立一個LSTM模型：
from keras.models import Sequential
from keras.layers import LSTM, Dense
# 假設輸入數據是一個形狀為 (samples, timesteps, features) 的三維數組
# 這里假設每個樣本有10個時間步長和5個特征
model = Sequential()
model.add(LSTM(50, input_shape=(10, 5))) # 50 是LSTM的隱藏單元數量
model.add(Dense(1)) # 輸出層只有一個神經元
model.compile(optimizer='adam', loss='mse') # 使用均方誤差作為損失函數
# 模型訓練
model.fit(X_train, y_train, epochs=10, batch_size=32)
# 模型預測
predictions = model.predict(X_test)
在上面的代碼中，首先創建一個Sequential模型，然后添加一個LSTM層作為輸入層，指定隱藏單元數量為50，并且輸入數據的形狀為(10, 5)。接著添加一個Dense層作為輸出層，輸出層只有一個神經元。最后編譯模型，指定優化器為adam，損失函數為均方誤差，并進行模型的訓練和預測。
需要注意的是，時序數據的預處理非常重要，通常會對數據進行歸一化或標準化等操作，以便更好地訓練模型。同時，還需要將時序數據轉換為合適的格式，如上面代碼中的三維數組。
