前移双回归神经网络：一种强大的时间序列预测新模型

本文主要探讨了一种创新的时间序列预测模型——前移双回归神经网络（Preceding Dual Regression Neural Network, PDRNN）。这一模型旨在解决多元线性回归和时间序列自回归方法在实际应用中的局限性。多元线性回归忽略了外部影响因素（外因）的时间序列效应，而时间序列自回归则仅关注自身的过去趋势（内因），两者都受限于线性假设，无法捕捉复杂的非线性关系。 PDRNN通过结合神经网络的优势，如模拟非线性映射的能力和自适应学习特性，克服了这些传统方法的不足。它将外部影响因子的历史数据（外因）与内部自变量的历史数据（内因）相结合，形成一个前移结构，使得模型能够考虑到时间序列中的时间依赖性，同时也能处理潜在的非线性关联。这种方法允许预测目标在当前时期依赖于既有的外在因素和自身的先前状态，提高了预测的准确性和预见性。 作者邓美玲基于淮阴师范学院数学科学学院的研究，通过实证分析国际油价预测问题，展示了PDRNN模型相较于传统模型（如多元线性回归和自回归模型）在预测性能上的显著优势。该模型不仅能够提供更精确的结果，还能够在不确定性和复杂动态环境下提供可靠的决策支持。 本文的关键词包括SAS（统计软件）、前移双回归神经网络和预测模型，这些词汇反映了研究的核心技术与应用领域。此外，文章遵循了自然科学论文的一般格式，包括中图分类号、文献标识码和文章编号，并注明了收稿日期和作者的简介，显示了严谨的学术规范。 前移双回归神经网络预测模型是一种创新的时间序列分析工具，它在处理复杂系统中变量间的非线性关系以及考虑内外部因素的影响上展现出了强大的潜力，为实际预测问题提供了新的解决方案。