神经网络可以用来预测吗,神经网络预测的优点

1、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)。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

谷歌人工智能写作项目：小发猫

2、运用AR模型进行预测与人工神经网络进行预测的区别在哪里？

AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点），所以其本质类似于插值，其目的都是为了增加有效数据，只是AR模型是由N点递推，而插值是由两点（或少数几点）去推导多点，所以AR模型要比插值方法效果更好参考：一个技术宅的学习笔记。
而用人工神经网络进行预测，构建的网络模型是一种非线性函数，推算出预测值。
在速度上比AR慢，但是每个数据可以有几个数据点组成，而AR只能是每个数据有一个数据点。

3、最小二乘法、回归分析法、灰色预测法、决策论、神经网络等5个算法的使用范围及优缺点是什么？

最小二乘法：通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。优点：实现简单，计算简单。缺点：不能拟合非线性数据.
回归分析法：指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在大数据分析中，回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析，时间序列模型以及发现变量之间的因果关系。优点：在分析多因素模型时，更加简单和方便，不仅可以预测并求出函数，还可以自己对结果进行残差的检验，检验模型的精度。缺点：回归方程式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制。
灰色预测法：
色预测法是一种对含有不确定因素的系统进行预测的方法。它通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。它用等时间距离观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或者达到某一特征量的时间。优点：对于不确定因素的复杂系统预测效果较好，且所需样本数据较小。缺点：基于指数率的预测没有考虑系统的随机性，中长期预测精度较差。
决策树：在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。优点：能够处理不相关的特征；在相对短的时间内能够对大型数据源做出可行且效果良好的分析；计算简单，易于理解，可解释性强；比较适合处理有缺失属性的样本。缺点：忽略了数据之间的相关性；容易发生过拟合（随机森林可以很大程度上减少过拟合）；在决策树当中,对于各类别样本数量不一致的数据，信息增益的结果偏向于那些具有更多数值的特征。
神经网络：优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。

4、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：

5、预测方法对比分析

本章对温州浅滩灵霓海堤N5+850断面CJPB-3沉降盘监测数据的拟合/预测一共运用了3类沉降预测方法中的5种，将各类预测曲线和实测沉降曲线并行绘于图5.20中，为了使各拟合/预测曲线变化趋势更明显，作图时去掉了恒载期以前的部分实测曲线。对应的残差图如图5.21所示。

图5.20 N5+850断面各拟合/预测曲线与实测曲线对比汇总图

将各种预测方法的预测结果进行对比，如表5.1 4所示。

由图5.20、5.21和表5.14可以看出，5种沉降预测方法按预测精度由高到低的排列为：改进的BP人工神经网络模型＞Pearl 曲线模型＞灰色 Verhulst 模型＞指数曲线法＞双曲线法，其中前3 种方法的预测精度相近。5种预测方法中只有改进的 BP人工神经网络模型的预测值略小于实测沉降量，其余4 种方法的预测结果均大于实测沉降量。从误差分析、曲线收敛速率分析来看，改进的BP人工神经网络模型、双曲线法和指数曲线法较适用于短、中期预测，而 Pearl 曲线模型和灰色 Verhulst 模型则适用于短、中、长期预测，且Pearl曲线模型和灰色Verhulst模型的预测效果也相近，这与这两种预测方法均是基于S形曲线函数发展而来的有关。这正好证明了温州浅滩淤泥软土地基沉降随时间的发展趋势是呈“S”型变化的。

图5.21 N5+850断面各拟合/预测法残差对比汇总图

表5.14 各种预测方法的预测结果对比

6、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。

7、你好请问神经网络的预测结果与真实结果如何比较，比较图的程序如何编写谢谢

看你用神经网络是来分类还是回归。分类应用和回归应用的结果分析手段不一样。如果是分类，预测准确率是常用的衡量指标，稍微复杂点的有ROC曲线或者AUC值，Matlab里应该有计算ROC曲线和AUC值的现成函数，希望对你有用