時間序列和神經網路預測哪個好

⑴ 用神經網路時間序列做預測，預測結果整體還好基本誤差都非常小，但是偶爾的幾個預測值的誤差大的也離譜

0.00002和0.30相差1.5W倍，這肯定是不行的，太不穩定。看看是不是忘記對數據進行歸一化？沒歸一化的話，會導致數量級大的輸入的權值佔主導地位，弱化其他輸入向量維的作用。如果不是歸一化的原因，看看是不是網路結構有問題，例如改變隱層節點數、改變輸入向量結構，或者乾脆換種神經網路。

⑵ 時間序列和神經網路能用來尋找數據差異嗎

可以
時間序列模型是指採用某種演算法(可以是神經網路、ARMA等)模擬歷史數據,找出其中的變化規律,神經網路模型是一種演算法,可以用於分類、聚類、預測等等。

⑶ 時間序列模型和神經網路模型有何區別

時間序列模型是指採用某種演算法（可以是神經網路、ARMA等）模擬歷史數據，找出其中的變化規律，
神經網路模型是一種演算法，可以用於分類、聚類、預測等等不用領域；

兩者一個是問題模型，一個是演算法模型

⑷ 預測 一般有哪些方法 神經網路

時間序列預測只要能轉化為訓練樣本，即可使用神經網路進行訓練。目前常用的幾類人工神經網路，如BP神經網路、Elman神經網路、RBF神經網路、GRNN神經網路、小波神經網路以及各類組合神經網路，都是可以應用在時間序列預測中的。
預測效果較好的一般有：1、GRNN神經網路、RBF神經網路。局部逼近網路由於只需調整局部權值，因此訓練速度較快，擬合精度也較高。2、Elman神經網路。由於Elman神經網路的承接層的延時運算元，使得網路可以記憶歷史信息，這正好與時間序列預測的原理相同，極其適於應用於時間序列預測。

⑸ 灰色預測，比較它和時間序列分析在預測時的異同

灰色時間序列預測；即用觀察到的反映預測對象特徵的時間序列來構造灰色預測模型，預測未來某一時刻的特徵量，或達到某一特徵量的時間。

進行灰色預測，首先要鑒別系統因素之間發展趨勢的相異程度，即進行關聯分析，再對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然後建立相應的微分方程模型來預測事物未來發展趨勢的狀況。

在建立灰色預測模型之前，需先對原始時間序列進行數據處理是為了弱化原始時間序列的隨機性。灰色系統常用的數據處理方式有累加和累減兩種。

類別

通過對原始數據的整理尋找數的規律，分為三類：

a、累加生成：通過數列間各時刻數據的依個累加得到新的數據與數列。累加前數列為原始數列，累加後為生成數列。

b、累減生成：前後兩個數據之差，累加生成的逆運算。累減生成可將累加生成還原成非生成數列。

c、映射生成：累加、累減以外的生成方式。

以上內容參考：網路-灰色預測

⑹ 神經網路可以用來預測時間序列嗎

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');

⑺ 時間序列分析預測法優缺點

優點：可以從時間序列中找出變數變化的特徵、趨勢以及發展規律，從而對變數的未來變化進行有效地預測。

缺點：在應用時間序列分析法進行市場預測時應注意市場現象未來發展變化規律和發展水平，不一定與其歷史和現在的發展變化規律完全一致。間序列預測法因突出時間序列暫不考慮外界因素影響，因而存在著預測誤差的缺陷，當遇到外界發生較大變化，往往會有較大偏差。

其基本特徵：

1、趨勢性：某個變數隨著時間進展或自變數變化，呈現一種比較緩慢而長期的持續上升、下降、停留的同性質變動趨向，但變動幅度可能不相等。

2、周期性：某因素由於外部影響隨著自然季節的交替出現高峰與低谷的規律。

3、隨機性：個別為隨機變動，整體呈統計規律。

4、綜合性：實際變化情況是幾種變動的疊加或組合。預測時設法過濾除去不規則變動，突出反映趨勢性和周期性變動。

⑻ 時間序列模型和神經網路模型有何區別

時間序列模型是指採用某種演算法（可以是神經網路、ARMA等）模擬歷史數據，找出其中的變化規律，
神經網路模型是一種演算法，可以用於分類、聚類、預測等等不用領域；

兩者一個是問題模型，一個是演算法模型