执行 MongoDB 与 TensorFlow 环境配置，安装 pymongo 驱动和 TensorFlow 深度学习框架。以下命令即可完成依赖安装：
pip install pymongo tensorflow
连接 MongoDB 实例，从指定集合中提取用于时间序列预测的原始数据。假设 `stock_prices` 集合存储了每日收盘价，通过升序排序获取历史记录，构造输入-输出样本对：
from pymongo import MongoClient
# 连接到 MongoDB
client = MongoClient('mongodb://localhost:27017/')
db = client['stock_db']
collection = db['stock_prices']
# 获取数据，按日期升序排列
data = collection.find().sort('date', 1)
# 构造输入序列和输出标签
input_seq = []
output_labels = []
for i in range(len(data)-1):
input_seq.append(data[i]['price'])
output_labels.append(data[i+1]['price'])
# 看看前几个样本
print("输入序列: ", input_seq[:5])
print("输出标签: ", output_labels[:5])
数据准备完毕后，基于 Keras 构建单层 LSTM 模型。该模型接收单个时间步（上一时刻价格），输出下一时刻预测值：
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
# 构建模型
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(1, 1)))
model.add(Dense(1))
# 编译
model.compile(optimizer='adam', loss='mse')
# 调整数据形状：将 (样本数, ) 转为 (样本数, 1, 1)
input_seq = np.array(input_seq).reshape(len(input_seq), 1, 1)
output_labels = np.array(output_labels)
# 训练
model.fit(input_seq, output_labels, epochs=100, verbose=0)
利用训练好的模型对下一时间点进行推理。将最后一个已知的价格数据重新整形后输入模型：
# 取最后一个已知价格，形状调整为 (1,1,1)
last_known_price = input_seq[-1].reshape(1, 1, 1)
# 预测
predicted_price = model.predict(last_known_price)
print("预测价格: ", predicted_price)
本例仅演示基础流程，实际生产环境需引入更多特征（如成交量、移动均线）、扩展历史窗口长度，并针对超参数（如 LSTM 单元数、学习率）进行调优。掌握此基线后，可依据业务场景自定义数据管道与模型架构。
