由于时序数据携带的丰富时间信息，使得时序数据的预测成为一项重要的预测技术。时序数据预测通过收集同一变量在过去时间内的观察结果，能够构造出变量在不同时间点之间的关系模型。根据此关系模型能够将时序信息推广到未来时间[1]。时间序列预测方法包括：

（1）传统的时序数据预测方法。此类方法对变量在不同时间上的观察结果进行拟合，并建立相应的变量预测模型。常见模型包括ARMA，VAR，TAR，ARCH等。但这种方法需要预先假设序列值之间的线性相关结构，具有很大的限制性，并且具有滞后性。

（2）非线性时序预测方法。此类方法主要基于机器学习思想，利用神经网络等方法对时序数据的观察结果进行训练并展开预测。其中，White先生早在1988年对IBM股票股日收益就神经网络法进行了研究与预测[2]。2014年也有学者用神经网络预测加泰罗尼亚的旅游需求[3]。其中，国外学者对时序数据的研究更多的应用在金融、财务等经济预测中。之前，中国股市的不景气，国内的学者更多的利用时序数据问题去处理粮食、土地的问题[4]。近几年随着神经网络的兴起，才开始更加注重时序问题在金融方面的问题。但由于中国股市的特殊性，国内学者更多使用循环神经网络进行语言模型的构建和图像的处理[5]等等。长短期记忆模型(Long Short-Term Memory, LSTM)修正了RNN梯度消失的问题，并且可以更好的应用到时序数据当中去，但是因为LSTM的提出时间较晚，LSTM在时序数据方面并未得到广泛应用。

（3）其它组合预测技术: 2003年有学者使用了ARIMA和神经网络模型的组合模型，得到了对时序数据更好的预测结果[6]。组合预测法因为优势互补，也成为了时序序列重要的预测方法之一。

参 考 文 献

[1] 张保稳, 何华灿, 冯红伟. 发现模糊状态演化模式[J]. 计算机科学, 2002, 29(3):11-13.

[2] White H. Economic prediction using neural networks: the case of IBM daily stock returns[C]. Proceeding of the IEEE International Conference on Neural Networks, 1988:451-458.

[3] Claveria O, Torra S. Forecasting tourism demand to Catalonia: Neural networks vs. time series models[J]. Economic Modelling, 2014, 36(36):220-228.

[4] 莫旭. 预测方法在粮食行业的应用[D]. 吉林大学, 2004.

[5] 李华, 屈丹, 张文林,等. 结合全局词向量特征的循环神经网络语言模型[J]. 信号处理, 2016, 32(6):715-723.

[6] Zhang G P. Time series forecasting using a hybrid ARIMA and neural network model[J]. Neurocomputing, 2003, 50(1):159-175.

[7] 韩力群. 人工神经网络教程[J]. 2006.

[8] 黎夏, 叶嘉安. 基于神经网络的元胞自动机及模拟复杂土地利用系统[J]. 地理研究, 2005, 24(1):19-27.

[9] 魏江涛, 陈方涛, 姜美雷. BP神经网络在设备故障诊断方面的应用[J]. 现代电子技术, 2012, 35(19):131-134.

[10] 孙瑞奇. 基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 首都经济贸易大学, 2015.

[11] 王冠亚. BP神经网络算法在教务管理系统中对学业方向识别的研究与应用[D]. 中国海洋大学, 2009.

[12] 熊忠阳, 刘道群, 张玉芳. 用改进的遗传算法训练神经网络构造分类器[J]. 计算机应用, 2005, 25(1):31-34.

[13] Specht D F. A general regression neural network[J]. IEEE Transactions on Neural Networks, 1991, 2(6):568.

[14] 朱群雄, 孙锋. RNN神经网络的应用研究[J]. 北京化工大学学报自然科学版, 1998, 1998(1): 86-90.

[15] Bengio Y, Simard P, Frasconi P. Learning long-term dependencies with gradient descent is difficult[J]. IEEE Transactions on Neural Networks, 2002, 5(2):157-166.

[16] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural computation, 1997, 9(8):1735-1780.

[17] 林香. 证券分析中数据挖掘模型的研究及应用[J]. 数据挖掘; 股票预测; 股票检索, 2007.