在用GRU来预测数据时，为什么要进行数据平铺和数据格式转换？
基于Monster 组和GPT的调写：
使用GRU进行时间序列数据预测时，需要将数据进行平铺和格式转换，这是因为：
- 平铺数据：
GRU是一种循环神经网络，它在每个时间步上接收一个输入向量并输出一个隐藏状态。因此，为了让GRU能够处理时间序列数据，我们需要将时间序列数据“平铺”成一个2D数组，其中每一行表示一个时间步，每一列表示一个特征。这样，每个时间步就成为了一个独立的输入向量，GRU可以根据前一个时间步的隐藏状态来预测当前时间步的输出。
- 格式转换：
GRU的输入需要是3D数组，具体而言，是一个形状为(batch_size, time_steps, features)的数组。因此，在平铺数据之后，我们需要将其转换成3D数组的格式，其中batch_size表示样本数量，time_steps表示时间序列的长度，features表示每个时间步的特征数量。这样，GRU才能够处理这些数据并进行预测。