神经网络可以用来预测吗,神经网络做预测的原理

1、采用什么手段使神经网络预测更加准确

优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；
使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。RBF神经网络的训练速度很快，训练效果也很好。
改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。
组合神经网络。取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。
全面考虑影响因素。未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。

谷歌人工智能写作项目：小发猫

2、BP神经网络与 Modflow的预测结果对比

根据训练好的BP神经网络模型，对区内6个点2005～2015年的年沉降量进行预测(图8.36)神经网络的预测效果。从图8.36中可以看出，随着开采量的减小，水位的上升，各点的年沉降量逐渐减小，变化趋势也基本一致。预测到2015年，各点的年沉降量比2004年减小了21.8～56.8mm;年沉降量最大的点是位于芦台镇附近的CJ6，沉降量为21.6mm;年沉降量最小的点是位于研究区西侧的CJ2，沉降量只有6.6mm。

图8.36 各监测点年沉降量预测图

以2004年各个监测点的实测累积沉降量为起点，将神经网络预测的年沉降量进行累加，从而与Modflow数值模型的预测结果相对比(图8.37)。从图8.37中可以看出这两种方法在各监测点处的预测结果基本一致。在局部点处(CJ2)相差较大，这主要是由于该点临近区域交界处，地面沉降过程受到邻区地下水开采的影响，使得BP网络模型的预测效果出现偏差。BP网络与 Modflow数值模型预测结果的相对误差见表8.18。从表8.18中可以看出，各点的年均相对误差在0.75%～6.86%之间，平均为2.9%。说明本次建立的BP神经网络模型基本可以达到Modflow数值模型的预测效果。

表8.18 BP网络预测相对误差表

续表

图8.37 各监测点累积沉降量预测对比图

3、bp神经网络，是不是数据越多，预测能力越好！

准确的说是数据越全面，越能体现数据分布，预测才越好
但一般我们也不知道数据原本的分布是怎么样的~所以，收集越多的不同的数据，一般来说预测就越好。当然，如果发现数据多到一个程度后，预测效果没什么变化，说明数据的表达能力，或者说数据的分布已经很充沛了，特征方差不变了，多了也没什么用

4、bp神经网络预测是不是数据越多，预测能力就越好？

您好，一般来说是数据越多越好，但是增加数据量并不是唯一增强预测能力的方式，还可以通过调整超参数、改变网络结构、使用正则化/BN层等防过拟合技术、改进数据质量等方法，来实现预测能力的增强。

5、在RBF神经网络预测中，如果样本数据较少时，效果怎么样？和GRNN神经网络比较 20

效果都不好,样本少最好是用统计学加一些机械学习的思想自己多做尝试,设计特征给出一个固定的预测模型,效果根神经网络不在一个档次上,人的智商远远比电脑高,神经网络勉强算大数据的技术,前提就是要有大量冗余的数据,大到疲于用统计学方法处理.

6、神经网络为什么可以预测？

这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。而进行长期负荷预测时，训练样本是以年为单位的负荷数据，就可以预测几年甚至数十年的负荷。再例如，进行人口增长预测，则一般是以多年预测为基础的。

7、神经网络优缺点，

优点：

（1）具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。

自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。

（2）具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

（3）具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

缺点：

（1）最严重的问题是没能力来解释自己的推理过程和推理依据。

（2）不能向用户提出必要的询问，而且当数据不充分的时候，神经网络就无法进行工作。

（3）把一切问题的特征都变为数字，把一切推理都变为数值计算，其结果势必是丢失信息。

（4）理论和学习算法还有待于进一步完善和提高。

扩展资料：

神经网络发展趋势

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。

人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。

将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中，具有分布存储、并行处理、自学习、自组织以及非线性映射等优点的神经网络与其他技术的结合以及由此而来的混合方法和混合系统，已经成为一大研究热点。

由于其他方法也有它们各自的优点，所以将神经网络与其他方法相结合，取长补短，继而可以获得更好的应用效果。目前这方面工作有神经网络与模糊逻辑、专家系统、遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。

参考资料：