时间序列预测作为一项有挑战性的任务,吸引了许多领域的研究人员深入研究。现阶段,有很多新的时序预测模型被提出,同时现有的模型也不断被修改。这些研究的目的都是为了达到较高的预测准确性。随着机器学习和深度学习的进步和发展,深度学习逐渐替代传统模型,成为时序预测的主流方法。该方法的出现使时序预测达到了更高的准确率,与此同时,此类方法仍在不断被改进,以解决更为复杂的时序分析问题。本文以RNN和ESN的理论为基础,结合复杂网络的相关知识,提出一种新的蓄水池计算模型,用于预测非线性时序系统。本文将提出的蓄水池计算模型分别应用在单一维度和多维度的时间序列预测中。模型主要由三个部分构成:输入层,蓄水池计算网络和输出层。输入层为全连接网络,其权重在训练过程中一直保持初始值,不再更新。输出层也为全连接网络,与输入层不同,训练过程中主要训练该网络的权重。位于两个全连接网络中间的蓄水池计算网络可由三种网络构成,分别为随机网络,无标度网络和小世界网络。除了蓄水池网络本身的权重矩阵外,模型还引入了网络节点状态向量,该状态向量结合权重矩阵的结构特点不断更新,然后输入到输出层,最终的输出结果由输入数据和网络节点状态值共同决定。本文还对何种网络结构更适用于一维时序或多维时序进行了分析。在一维时序预测中,本文收集并整理了七个主要数据集进行训练和测试,每个数据集平均包含2272个时间点。实验结果表明,本文所提出的蓄水池计算模型在大多数情况下都普遍优于LSTM深度学习方法。为了进一步评估该模型的预测能力,本文将该模型与最近的研究中其他两种深度学习方法进行了比较。结果表明,该模型与现有深度学习方法相比,在一维时间序列预测方面具有较强的竞争力。除一维时序预测外,本文还探究了如何将蓄水池计算模型用于多维时间序列预测问题。文中将多维时序数据集中的前80%用于模型训练,然后利用剩余的20%完成评估。实验结果表明,蓄水池模型能较好地预测多维时间序列,且在某些时刻误差较小。本文完成了基于蓄水池计算模型软件的设计与实现。为验证该模型在硬件环境中的可行性,还进行了在硬件仿真平台上的光电路仿真,仿真结果证明该模型可在光物理环境中得以实现。