㈠ 什么是全连接神经网络怎么理解“全连接”
1、全连接神经网络解析：对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。
2、全连接的神经网络示意图：
3、“全连接”是一种不错的模式，但是网络很大的时候，训练速度回很慢。部分连接就是认为的切断某两个节点直接的连接，这样训练时计算量大大减小。
㈡ 用matlab进行RBF神经网络时间序列预测，预测值为什么一直不变
可能使用的是以数据训练的方式后，来预测未来值的吧。你最好把数据和代码传上来（其他方式也可以），这样可以帮查找问题实在。
㈢ 如何在Python中用LSTM网络进行时间序列预测
时间序列模型
时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。
举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等
RNN 和 LSTM 模型
时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。
典型的RNN网路结构如下：
4. 模型训练和结果预测
将上述数据集按4:1的比例随机拆分为训练集和验证集，这是为了防止过度拟合。训练模型。然后将数据的X列作为参数导入模型便可得到预测值，与实际的Y值相比便可得到该模型的优劣。
实现代码
时间间隔序列格式化成所需的训练集格式
import pandas as pdimport numpy as npdef create_interval_dataset(dataset, look_back): """ :param dataset: input array of time intervals :param look_back: each training set feature length :return: convert an array of values into a dataset matrix. """ dataX, dataY = [], [] for i in range(len(dataset) - look_back): dataX.append(dataset[i:i+look_back]) dataY.append(dataset[i+look_back]) return np.asarray(dataX), np.asarray(dataY)df = pd.read_csv("path-to-your-time-interval-file") dataset_init = np.asarray(df) # if only 1 columndataX, dataY = create_interval_dataset(dataset, lookback=3) # look back if the training set sequence length这里的输入数据来源是csv文件，如果输入数据是来自数据库的话可以参考这里
LSTM网络结构搭建
import pandas as pdimport numpy as npimport randomfrom keras.models import Sequential, model_from_jsonfrom keras.layers import Dense, LSTM, Dropoutclass NeuralNetwork(): def __init__(self, **kwargs): """ :param **kwargs: output_dim=4: output dimension of LSTM layer; activation_lstm='tanh': activation function for LSTM layers; activation_dense='relu': activation function for Dense layer; activation_last='sigmoid': activation function for last layer; drop_out=0.2: fraction of input units to drop; np_epoch=10, the number of epoches to train the model. epoch is one forward pass and one backward pass of all the training examples; batch_size=32: number of samples per gradient update. The higher the batch size, the more memory space you'll need; loss='mean_square_error': loss function; optimizer='rmsprop' """ self.output_dim = kwargs.get('output_dim', 8) self.activation_lstm = kwargs.get('activation_lstm', 'relu') self.activation_dense = kwargs.get('activation_dense', 'relu') self.activation_last = kwargs.get('activation_last', 'softmax') # softmax for multiple output self.dense_layer = kwargs.get('dense_layer', 2) # at least 2 layers self.lstm_layer = kwargs.get('lstm_layer', 2) self.drop_out = kwargs.get('drop_out', 0.2) self.nb_epoch = kwargs.get('nb_epoch', 10) self.batch_size = kwargs.get('batch_size', 100) self.loss = kwargs.get('loss', 'categorical_crossentropy') self.optimizer = kwargs.get('optimizer', 'rmsprop') def NN_model(self, trainX, trainY, testX, testY): """ :param trainX: training data set :param trainY: expect value of training data :param testX: test data set :param testY: epect value of test data :return: model after training """ print "Training model is LSTM network!" input_dim = trainX[1].shape[1] output_dim = trainY.shape[1] # one-hot label # print predefined parameters of current model: model = Sequential() # applying a LSTM layer with x dim output and y dim input. Use dropout parameter to avoid overfitting model.add(LSTM(output_dim=self.output_dim, input_dim=input_dim, activation=self.activation_lstm, dropout_U=self.drop_out, return_sequences=True)) for i in range(self.lstm_layer-2): model.add(LSTM(output_dim=self.output_dim, input_dim=self.output_dim, activation=self.activation_lstm, dropout_U=self.drop_out, return_sequences=True)) # argument return_sequences should be false in last lstm layer to avoid input dimension incompatibility with dense layer model.add(LSTM(output_dim=self.output_dim, input_dim=self.output_dim, activation=self.activation_lstm, dropout_U=self.drop_out)) for i in range(self.dense_layer-1): model.add(Dense(output_dim=self.output_dim, activation=self.activation_last)) model.add(Dense(output_dim=output_dim, input_dim=self.output_dim, activation=self.activation_last)) # configure the learning process model.compile(loss=self.loss, optimizer=self.optimizer, metrics=['accuracy']) # train the model with fixed number of epoches model.fit(x=trainX, y=trainY, nb_epoch=self.nb_epoch, batch_size=self.batch_size, validation_data=(testX, testY)) # store model to json file model_json = model.to_json() with open(model_path, "w") as json_file: json_file.write(model_json) # store model weights to hdf5 file if model_weight_path: if os.path.exists(model_weight_path): os.remove(model_weight_path) model.save_weights(model_weight_path) # eg: model_weight.h5 return model这里写的只涉及LSTM网络的结构搭建，至于如何把数据处理规范化成网络所需的结构以及把模型预测结果与实际值比较统计的可视化，就需要根据实际情况做调整了。
㈣ 我用神经网络做时间序列预测1-8年的数据但是最后出现的预测值还是1-8年的数据
将历史数据作为样本训练，最后用一组对应的样本作为输入，输出自然是未来数据。神经网络预测就是这么做的。
对商品价格变动的分析，可归结为对影响市场供求关系的诸多因素的综合分析。传统的统计经济学方法因其固有的局限性，难以对价格变动做出科学的预测，而人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是有着传统方法无法相比的优势。从市场价格的确定机制出发，依据影响商品价格的家庭户数、人均可支配收入、贷款利率、城市化水平等复杂、多变的因素，建立较为准确可靠的模型。该模型可以对商品价格的变动趋势进行科学预测，并得到准确客观的评价结果。
㈤ 用神经网络时间序列做预测，预测结果整体还好基本误差都非常小，但是偶尔的几个预测值的误差大的也离谱
0.00002和0.30相差1.5W倍，这肯定是不行的，太不稳定。看看是不是忘记对数据进行归一化？没归一化的话，会导致数量级大的输入的权值占主导地位，弱化其他输入向量维的作用。如果不是归一化的原因，看看是不是网络结构有问题，例如改变隐层节点数、改变输入向量结构，或者干脆换种神经网络。
㈥ BP神经网络做预测的问题
要对8、9数据进行输入，然后进行编码，给你个例子。
p=[0.3276 0.4425 0.1092 0.1207 0;
0.1881 0.4161 0.1691 0.2266 0;
0.1077 0.2245 0.1086 0.5532 0.0060;
0.8587 0.0700 0.0449 0.0264 0.0000;
0.6048 0.1492 0.1714 0.0363 0.0383;
0.3183 0.2957 0.0293 0.3183 0.0429]';
t=[1 0 0 0 0 0 ;
0 1 0 0 0 0 ;
0 0 1 0 0 0 ;
0 0 0 1 0 0 ;
0 0 0 0 1 0 ;
0 0 0 0 0 1 ]';
数据为训练数据
㈦ 关于时间序列预测，预测多少点数合适的问题
拟合结果好，是因为有实际的数据在不断修正这些方法的偏差。而预测的时候就会有问题，就像你说的，后50个数据预测的会不准。你们导师的意思是对的，我们总感觉样本数据越多，预测结果越准，其实这是不对的。预测和数据多少无关（最少也得5个以上吧），关键是你预测的数据和基年的数据的时间差值，差值越大，偏差越大，因为中间没有实际的数据修正。预测近期的，结果都很好，远期的大部分不准确。看你数据这么多，你可以尝试分步预测，比如每隔10个点，取一个数据，然后就可以预测基年后的第10个数据，依次类推。
㈧ 【神经网络时间序列】请教NAR网络预测问题，谢谢
NAR网络是只有y(t),NARX网络是有x(t)和y(t).
对于NAR网络来说，其只能够输出相对于延迟向量的下一个值。故需要用循环不断更新集合，把时间步往前推进。
T=tonndata(force,false,false); %输入和输出矩阵须为cell类型的矩阵，且不能用num2cell来转换，如果使用二维cell矩阵，将会被认为是两个输入从而不能训练.假设force数据集只有50个（一行）。
force_raw=T(1:30); %创造一个1*30的Xi，与延迟向量1:30对应起来。为已知矩阵。
for j=1:50 %y1的前20个是对照着force里面第31个到50个，加上可以预测后面30个数据。
y1(j)=net(T(10),force_raw); %这里还需要大神指教，T（10）里面是当前矩阵，数字可以任意取，结果都一样。只是为了输出一维矩阵
force_raw=[force_raw(2:end),y1(j)]; %更新得到新的已知矩阵，为2,3~,30,31，下一步第一行应该是得到第43个。 不断更新即可得到预测值。
㈨ 如何在python中用lstm网络进行时间序列预测
时间序列建模器 图表那个选项卡 左下勾选 拟合值 就可以了。我的为什么不出现预测值啊啊啊啊~~
㈩ 如何用神经网络进行时间序列预测
将时间序列拆开，组织训练样本。参考附件的例子，用的是BP神经网络。 BP（Back Propagation）神经网络是86年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。
