‘壹’ 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。
‘贰’ RBF预测和bp神经网络预测谁强
对于同时间段的数据预测未来的同时间段的数据，我认为可以用anfis 自适应神经网络函数来预测比较合理。例如，用电问题。用数日的同时间段的用电量，预测某日的同时间段的用电量。
‘叁’ 神经网络预测原理！
Back Propagation BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层（隐含层）可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。神经网络很多种，BP神经网络最常用。
‘肆’ 采用什么手段使神经网络预测更加准确
优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；
使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。
改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。
组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。
全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。
‘伍’ 神经网络适合什么预测
这个问题，先可以理解为什么神经网络可以实现预测。
我们将我们平常看到的神经网络转90度来看。最下层（输入层）信息逐渐到上层（输出层）时候可以得到一个预测结果。其中起到关键作用的就是中间的隐藏层。那么可以理解为隐藏层有什么作用导致了整个神经网络可以进行预测。
我们耳熟能详的解释是，隐藏层具有提取特征的能力。那么如何理解这个提取特征的能力？我们以一个公司选举为例，我们要选择一个人当作我们的团队的头头。A1、A2、A3、A4、A5表示5个小职员，B1、B2、B3是中层干部，C_pred表示我们要选择的头头。那么这个选举流程是每个中层干部（B1-B3）都要去分别听5个小职员（A1-A5）的建议，那么做为上级，在听取下级的建议时候，肯定是有倾向的，肯定会更多考虑某一个值得信任的下级的建议，因此可以看出来，中层干部针对不同的小员工的信息具有不同的建议分辨能力，就可以理解为上一层对下一层信息有选择性质的提取，那么中层干部（B1-B3）将提取的信息整合，选出一个头头C_pred。但是经过选举出来的这个头头，必须通过董事会的建议，而董事会已经有了合适的人选C_true,然后董事长告诉大家，C_true是我当年的发小，于是乎中层干部（B1-B3）听到这个信息马上去讨论改选择谁当头头，接着，中层干部（B1-B3）马上去发动手底下的小弟（A1-A5）重新讨论选举头头人问题，于是乎信息又一次次过滤，一次次汇报，最终董事长觉得这个C_pred和自己信息预测的C_true差不多，就通过的他心里的那个坎。
将人类的活动化为数学问题，那么我们可以认为，中层干部（B1-B3）针对不同小职员（A1-A5）的建议吸收程度，视为特征提取，将董事长心里预期C_true和中层干部（B1-B3）的建议后选择人C_pred的落差视为loss，然后将董事长的指示一层层传达上报的行为称为反向传播（BP）,最终C_pred复合董事长心里预期，通过他心里的坎可以视为，结果大于score（置信度).
‘陆’ 遗传算法优化bp神经网络，训练好后，做预测会更加准确求大神告知！
1、遗传算法优化BP神经网络是指优化神经网络的参数； 2、因此，对训练时间没有影响。
‘柒’ 如果是以预测为准，是BP神经网络好，还是径向量什么网络好
1、这是一个发展的问题，在神经网络的发展过程中，在前期，径向量的效果好；
2、自从出现了卷积神经网络、循环神经网络出现后，神经网络的效果好。
‘捌’ bp神经网络遇到新的数据，就预测不准，怎么弄
预测数据的话BP不是特别好用，最好用Elman反馈神经网络或者RNN循环神经网络，这些有记忆功能的网络比较好用。bp主要和你选择的隐含层数，和误差范围，学习率有关。你可以调节相关参数来改变神经网络，获得更精确的结果。
‘玖’ 怎么才能使bp神经网络预测的结果更准确
这个问的太哪个了吧，神经网络预测一般也就是对已有数据进行非线性拟合而已，简单的说，他只是一个拟合方法，只是与传统的拟合方法相比有一些优点。用神经网络预测也不会是一定很非常准确的。
‘拾’ 神经网络预测股票准吗
目前还达不到非常准确的效果，决定股票走势的因子很多，有些如突发的并购、减持、宏观经济的事件、公司人事的更迭等等，这些事件神经网络没法给出好的判断。