预测是时间序列分析的应用之一,人们对大量的观测数据进行分析,是为了能够预测出数据在未来的发展趋势,以便进行处理或控制。传统的时间序列分析是从纯数学的角度来分析的,但是由于实际应用中时间序列具有不规则、混沌等非线性特征,很难对系统建立理想的模型,预测也显得无能为力。而人工神经网络由于其具有自组织、自学习以及非线性逼近能力,将它用于对时间序列的预测更为有效。本文首先介绍了时间序列预测目前采用的方法及各种预测模型:然后介绍了近年兴起的神经网络在非线性预测模型方面的应用,及其表现出来的良好的特性与优势,详细介绍了RBF网络在时间序列预测方面呈现的优越特性,同时指出RBF网络算法的缺陷,在此基础上进行改进,将改进的覆盖聚类算法用于对样本数据进行聚类,并用正交最小二乘算法优化聚类数,提高了对样本聚类的处理速度,进而保证了网络学习的快速性。并通过实验对算法的有效性进行了验证。最后,将改进的RBF网络用于对养老保险收入的预测中,并将其与未改进的RBF模型、BP网络模型及精算模型进行比较,实验结果表明,该网络的预测比未改进的RBF网络模型及BP网络模型、传统的精算模型效果好,从而验证了该模型的可行性。