⑴ matlab神經網路工具箱預測一組數據，比如說 日期：1,2,3,4,5,6,7,8,9,10 數據：10,11,12,12,12,12,13,15
構造神經網路，將關系型數據轉化為訓練樣本：輸入樣本前幾個數據，輸出後2個，滑動生成。最後採用後面的數據對11,12日的數據進行預測 。
⑵ RNN循環神經網路 、LSTM長短期記憶網路實現時間序列長期利率預測|附代碼數據
在2017年，R語言引入了名為Keras的包，這是一個在Tensorflow基礎上的強大工具，支持CPU和GPU運算，為R用戶提供了豐富的機器學習功能。本文將著重展示如何利用這種便利，通過R和LSTM（長短期記憶網路）來實現時間序列長期利率預測的實踐操作。
時間序列分析關注的是按時間順序排列的數據，我們用xt表示單個變數，t代表時間索引，可以是離散或連續的。這里我們以離散時間序列為例進行討論。常規RNN在處理長序列時，存在梯度消失的問題，這限制了它們處理長期依賴關系的能力。
LSTM通過特殊的結構解決了這個問題。LSTM網路由記憶塊（單元）組成，這些單元內包含了單元狀態Ct和隱藏狀態ht。通過門機制，使用sigmoid和tanh激活函數，LSTM能夠控制信息的增刪，尤其是sigmoid函數的輸出范圍在0到1，允許有選擇地保留或遺忘單元狀態中的信息。
LSTM中的門機制涉及當前輸入xt和前一時間步ht-1的處理，通過權重矩陣W進行點乘，並添加偏置b。主要有三種門：輸入門、遺忘門和輸出門，它們協同工作以控制信息流動。
為了進行實際操作，首先需要在R中載入必要的庫，如Tensorflow和數據集。本文將使用一個長期利率數據集，該數據集從2007年1月持續到2018年3月，每月一次的利率數據。以下是數據集的前五個觀察樣本...
⑶ 如何用神經網路進行時間序列預測
神經網路是可以用來預測時間序列。例如神經網路人口預測。已知1990至2009年的某地區人口數[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128]。預測2010-2016年的某地區人口數。
具體實施過程：
%已知數據
t=1990:2009;
x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128];
% 自回歸階數
lag=3;
%預測步數為fn
fn=length(t);
%輸出數據
[f_out,iinput]=BP(x,lag,fn); %BP（）神經網路預測函數
[x' iinput']
R2=corrcoef(x,iinput)
%預測年份或某一時間段
%t1=2015:2016;
t1=length(x)+1:length(x)+7;
%預測步數為fn
fn=length(t1);
[f_out,iinput]=BP(x,lag,fn);
P=vpa(f_out,5);
%預測數據
t1=2010:2016;
[t1' P']
% 畫出預測圖
figure(6),plot(t,x,'b*-'),hold on
plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on
title('BP神經網路預測某地區人口數')
xlabel('年份'),ylabel('人口數');
legend('2009-2014年人口變化數','2014-2016年人口預測數');
⑷ bp神經網路預測一組數據
關鍵在於輸入向量的制定：可選擇前3年的數據作為輸入，輸入節點設為3；第4年的數據為輸出，輸出節點數設為1；隱層節點數設為4左右。這樣便形成了樣本，用這些樣本去訓練bp神經網路，將訓練好的網路用於預測。
最後是以06、07、08的數據作為輸入，去預測09的數據。再滾動迭代下去，直至將2012的數據預測出來。
附件是一個電力負荷的預測實例，按照我上面所說，稍微修改一下樣本和節點數即可應用。