如何用神经网络进行时间序列预测

1、将时间序列拆开，组织训练样本；

2、参考附件的例子，用的是BP神经网络；

3、神经网络是86年Rumelhart和McCelland为首的科学家小组提出，是按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型；

4、BP网络能学习和存贮大量的输入，输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程；

5、学习规则是用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；

6、BP神经网络模型拓扑结

时间序列模型有什么实际用处

时间序列模型可用于实际中的描述、分析、预测、决策。

描述：

根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。

分析：

当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。

预测：

一般用ARMA模型拟合时间序列，预测该时间序列未来值。

决策：

根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。

如何理解时间序列相关性

序列相关性，在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关，是指总体回归模型的随机误差项之间存在相关关系。

在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。