时间序列和神经网络预测哪个好

⑴ 用神经网络时间序列做预测，预测结果整体还好基本误差都非常小，但是偶尔的几个预测值的误差大的也离谱

0.00002和0.30相差1.5W倍，这肯定是不行的，太不稳定。看看是不是忘记对数据进行归一化？没归一化的话，会导致数量级大的输入的权值占主导地位，弱化其他输入向量维的作用。如果不是归一化的原因，看看是不是网络结构有问题，例如改变隐层节点数、改变输入向量结构，或者干脆换种神经网络。

⑵ 时间序列和神经网络能用来寻找数据差异吗

可以
时间序列模型是指采用某种算法(可以是神经网络、ARMA等)模拟历史数据,找出其中的变化规律,神经网络模型是一种算法,可以用于分类、聚类、预测等等。

⑶ 时间序列模型和神经网络模型有何区别

时间序列模型是指采用某种算法（可以是神经网络、ARMA等）模拟历史数据，找出其中的变化规律，
神经网络模型是一种算法，可以用于分类、聚类、预测等等不用领域；

两者一个是问题模型，一个是算法模型

⑷ 预测 一般有哪些方法 神经网络

时间序列预测只要能转化为训练样本，即可使用神经网络进行训练。目前常用的几类人工神经网络，如BP神经网络、Elman神经网络、RBF神经网络、GRNN神经网络、小波神经网络以及各类组合神经网络，都是可以应用在时间序列预测中的。
预测效果较好的一般有：1、GRNN神经网络、RBF神经网络。局部逼近网络由于只需调整局部权值，因此训练速度较快，拟合精度也较高。2、Elman神经网络。由于Elman神经网络的承接层的延时算子，使得网络可以记忆历史信息，这正好与时间序列预测的原理相同，极其适于应用于时间序列预测。

⑸ 灰色预测，比较它和时间序列分析在预测时的异同

灰色时间序列预测；即用观察到的反映预测对象特征的时间序列来构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。

进行灰色预测，首先要鉴别系统因素之间发展趋势的相异程度，即进行关联分析，再对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型来预测事物未来发展趋势的状况。

在建立灰色预测模型之前，需先对原始时间序列进行数据处理是为了弱化原始时间序列的随机性。灰色系统常用的数据处理方式有累加和累减两种。

类别

通过对原始数据的整理寻找数的规律，分为三类：

a、累加生成：通过数列间各时刻数据的依个累加得到新的数据与数列。累加前数列为原始数列，累加后为生成数列。

b、累减生成：前后两个数据之差，累加生成的逆运算。累减生成可将累加生成还原成非生成数列。

c、映射生成：累加、累减以外的生成方式。

以上内容参考：网络-灰色预测

⑹ 神经网络可以用来预测时间序列吗

神经网络是可以用来预测时间序列。例如神经网络人口预测。已知1990至2009年的某地区人口数[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128]。预测2010-2016年的某地区人口数。

具体实施过程：

%已知数据

t=1990:2009;

x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128];

% 自回归阶数

lag=3;

%预测步数为fn

fn=length(t);

%输出数据

[f_out,iinput]=BP(x,lag,fn); %BP（）神经网络预测函数

[x' iinput']

R2=corrcoef(x,iinput)

%预测年份或某一时间段

%t1=2015:2016;

t1=length(x)+1:length(x)+7;

%预测步数为fn

fn=length(t1);

[f_out,iinput]=BP(x,lag,fn);

P=vpa(f_out,5);

%预测数据

t1=2010:2016;

[t1' P']

% 画出预测图

figure(6),plot(t,x,'b*-'),hold on

plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on

title('BP神经网络预测某地区人口数')

xlabel('年份'),ylabel('人口数');

legend('2009-2014年人口变化数','2014-2016年人口预测数');

⑺ 时间序列分析预测法优缺点

优点：可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。

缺点：在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。间序列预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差。

其基本特征：

1、趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不相等。

2、周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

3、随机性：个别为随机变动，整体呈统计规律。

4、综合性：实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动，突出反映趋势性和周期性变动。

⑻ 时间序列模型和神经网络模型有何区别

时间序列模型是指采用某种算法（可以是神经网络、ARMA等）模拟历史数据，找出其中的变化规律，
神经网络模型是一种算法，可以用于分类、聚类、预测等等不用领域；

两者一个是问题模型，一个是算法模型