如何用神經網路進行時間序列預測

　　1、將時間序列拆開，組織訓練樣本；

　　2、參考附件的例子，用的是BP神經網路；

　　3、神經網路是86年Rumelhart和McCelland為首的科學家小組提出，是按誤差逆傳播演算法訓練的多層前饋網路，是應用最廣泛的神經網路模型；

　　4、BP網路能學習和存貯大量的輸入，輸出模式對映關係，而無需事前揭示描述這種對映關係的數學方程；

　　5、學習規則是用最速下降法，透過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小；

　　6、BP神經網路模型拓撲結

　　某一城市從1984年到1994年中，每年參加體育鍛煉的人口數，排列起來，共有11個數據構成一個時間序列。希望用某個數學模型，根據這11個歷史資料，來預測1995年或以後若干年中每年的體育鍛煉人數是多少，以便於該城市領導人制訂一個有關體育健身的發展戰略或整個工作計劃。不同的時間序列有不同的特徵，例如一個人在一年中每天消耗的糧食基本上是相同的，把這365個數字排列起來。發現它所構成的時間序列總保持在一定水平，上下相差不太大，我們稱它是平穩時間序列。它的取值和具體是哪個時期無關，只和時期的長短有關。一般來說．只有屬於平穩過程的時間序列．才是可以被預測的。

　　1、收集歷史資料，加以整理，編成時間序列，並根據時間序列繪成統計圖，時間序列分析通常是把各種可能發生作用的因素進行分類；2、分析時間序列，時間序列中的每一時期的數值都是由許許多多不同的因素同時發生作用後的綜合結果；3、求時間序列的長期趨勢季節變動和不規則變動的值，並選定近似的數學模式來代表它們；4、利用時間序列資料求出長期趨勢、季節變動和不規則變動的數學模型後，就可以利用它來預測未來的長期趨勢值和季節變動值，在可能的情況下預測不規則變動值；

　　5、如果不規則變動的預測值難以求得，就只求長期趨勢和季節變動的預測值，以兩者相乘之積或相加之和為時間序列的預測值，如果經濟現象本身沒有季節變動或不需預測分季分月的資料，則長期趨勢的預測值就是時間序列的預測值，但要注意這個預測值只反映現象未來的發展趨勢，本質上也只是一個平均數的作用，實際值將圍繞著它上下波動。