前向型神经网络理论已被证明是解决非线性问题的重要的、行之有效的理论方法。神经网络与时间序列分析相结合,形成一种新的非线性时间序列建模及预测的方法。基于前向型神经网络理论的时间序列分析跳出了传统的建立主观模型的局限,通过时间序列的内在规律作出分析与预测。本文探讨神经网络用于线性时间序列建模的能力,即用模拟数据与真实数据讨论神经网络结构中的样本数、输入节点数、隐藏节点数对经典线性时间序列预测误差的影响,并将其与传统的时间序列预测方法进行比较。研究结果表明,神经网络结构能够胜任线性时间序列的建模工作,特别当系统带有噪音时,神经网络方法比传统的时间序列预测方法的效果好。根据简单原则,通常选择简单的神经网络结构就足以很好的建模和预测线性时间序列。 本文主要探讨基于神经网络理论的线性时间序列预测的研究。首先,介绍时间序列的一些统计性质、常用的经典时间序列分析预测的统计方法和传统的解决某些特定问题的非线性时间序列预测方法;其次,简单描述神经网络的结构、理论以及数学算法并将神经网络和时间序列相结合,给出一个有关此法的实际应用;最后,设计模拟实验,探讨有关神经网络的线性时间序列预测方面的问题,得出结论。 通过模拟实验得出神经网络结构能够胜任处理带有噪音的线性时间序列,那么我们就不再需要判断一组时间序列是否线性,神经网络理论就有更广阔的应用前景。