人工神经网络方法学：时间序列预测的现状与发展

可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 3（2018）334e340http://www.journals.elsevier.com/future-computing-and-informatics-journal/时间序列预测的人工神经网络方法学：系统综述Ahmed Tealab开罗大学统计研究所计算机科学系，埃及接收日期：2017年11月2日;接受日期：2018年10月18日在线发售2018年摘要本文对人工神经网络时间序列预测模型的研究进展进行了系统的文献综述。通过人工检索过去11年（2006年至 2016年）发表的论文，使用新的神经网络模型进行时间序列预测，并显示所使用的方法，进行了系统综述。在研究涵盖的时间段内，获得的结果发现17项研究符合检索标准的所有要求。只有三个所获得的建议认为不同的过程的自回归神经网络模型。这些结果表明，虽然有许多研究，提出了神经网络模型的应用，但很少有人提出新的神经网络预测模型，考虑到理论支持和一个系统的程序，在模型的建设这导致了制定新的神经网络模型的重要性Copyright© 2018埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：预测;非线性时间序列;神经网络;移动平均线1. 介绍时间序列是一个在许多学科中具有重要实际意义的普遍问题。因为它允许你从一个序列的过去值中发现它的未来值，但有一定的误差范围。在相关的文献中，已经有许多成功的应用在不同的领域，如经济，金融和水文。Box和Jenkins[20]在70年代后期，在研究由数学线性模型组成的应用方面做了重要的工作。这些模型代表自回归（AR）和移动自回归（MA）过程。而在AR过程中，假设时间序列的当前值是其过去值的线性组合。MA中的过程假设电流值是随机干扰通道或扰动的函数，这些干扰通道或扰动影响了电子邮件地址：a.tech. gmail.com。同行审查，由埃及未来大学计算机和信息技术系负责。系列.许多实际的实验表明，这种方法可以表示许多实时时间序列的动态。这种班级模式在学术和专业领域都得到了推广。然而，人们也发现，许多实时序列似乎遵循非线性行为，Box和Jenkins的方法不足以表示它们的动态[1，4]。因此，在大多数相关文献中，已经提出了各种模型，这些模型表明数据中存在的非线性的不同数学表示[4，5]，例如基于方案[4]和不同类型的人工神经网络（ANN）[6e8]的模型。其他一些文献综述侧重于一种类型的预测，一步或多步预测，并在理论和实践方面比较了所提出的策略[33]。特别是，人工神经网络已经得到了科学界的相当大的关注，这已经转化为一个重大的调查工作。证明这一点的是大量的出版物在这一主题;它是以及，作为一个简单的搜索在SCOPUS链与https://doi.org/10.1016/j.fcij.2018.10.0032314-7288/Copyright© 2018埃及未来大学计算机与信息技术学院。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340335而当然，在文献中已经提出了大量的ANN架构。大多数提出的模型基于向AR模型添加非线性函数，如具有动态架构的人工神经网络（DAN 2）[9]或自回归神经网络[2，10，21]的情况;将非线性函数应用于AR模型，如多层感知器[3]的情况;或与捕获线性分量的其他模型混合[21]。尽管人工神经网络的成功，其真正的坚持自90年代以来，它也显然是几个问题有关的模型适当的规格[8]。过程规范中的大多数决策都是主观的，并且基于建模者的经验，这一事实证明了这一点。因此，似乎还没有完全达到ANN模型的正式规范的系统程序[10]。另一个持续存在的问题是，有一个显着的缺乏的发展，在扩展的MA模型使用人工神经网络相比，扩展的AR模型。以这种方式，可以认为文献中的大部分ANN建议是基于非线性自回归结构，如已经指出的。这种限制不允许您正确建模包含MA组件的固有时间序列[11]。我们现实生活中大多数时间序列的动态行为，具有自回归和继承的移动平均项，这对使用计算智能方法（如神经网络）预测包含继承移动平均项的非线性时间序列提出了挑战[32]。这里提出的定量是为什么研究问题制定如下：RQ1：什么是基于人工神经网络的新模型，自2006年以来一直提出到2015年？RQ2：提出的模型中，哪一个考虑了自回归的不同结构？RQ3：已发表的研究提出了一个系统的方法，一步一步，为模型的构建？建议问题4：在新的拟议办法中，还有哪些问题有待解决？因此，这项工作的目的是回答以前的研究问题的基础上，更相关的文献证据的分析，在文献中提出的系统性文献综述（SLR）的方法。这项工作的重要性是基于两个方面：第一，文献综述进行到现在还没有分析的进展与一个系统的方法，以一个特定的战略，例如，没有分析是否选定的项目，开发等方面的选择架构，选择输入变量，估计参数或评估模型。这样的评论不会分析提案是否是基于自回归的不同成分而制定的。第二，本文讨论了一些突出的问题，这可能是未来研究的出发点本文的其余部分组织如下。第二部分介绍了研究方法。在第3节中描述了所获得的结果;然后，在第4节和第5节中分别给出了讨论和结论2. 方法在这项研究中，研究方法应用了Kitchenham[12]在软件工程背景下开发的SLR。这种方法提倡使用系统策略来定义研究问题，声明搜索策略，识别原始研究，数据合成和数据分析文献证据来回答特定的研究问题。SLR可以克服自己的缺点，在非正式或叙述性的评论，其中包括：缺乏或制定不良的研究问题或缺乏一个明确的描述，它是如何选择的文件证据。本SLR的目的是确定在2006年至2016年期间进行的用于预测非线性时间序列的人工神经网络模型开发中最重要的理论贡献。同样，也试图确定新的研究问题orig- inated从公布的建议。2.1. 搜索过程检索过程包括手动检索2006年至2016年期间期刊中发表的文章。检索是使用书目系统SCOPUS进行的，该系统包括地球上最大的摘要、参考书目和索引集之一。使用了两个标准。第一个标准链被使用：标题-ABS-KEY（预测的 非 线 性 神 经 模 型 ） 和 DOCTYPE （ ar 或 rev ） 和PUBYEAR AFT 2005。第二种方法使用搜索字符串：TITLE- ABS-KEY （ neural networks AND nonlinear timeseries modeling）AND DOCTYPE（ar）AND PUBYEARAFT 2005。2.2. 入选和排除标准在这项研究中，定义了一个单一的包含标准：文章提出了一种新型的神经网络预测时间序列。此外，排除了符合以下1) 人工神经网络的应用程序没有任何正式的理论发展或分析的工作不定义一个研究问题。2) 它是一种重复的研究或方法，没有任何概念上的发展或实际的新颖性。2.3. 质量评估为了评估最终选择的文章的质量，使用了以下问题：QA1模型是否有明确的数学公式QA2是否定义了新模型的参数估计过程QA3研究有否列明选择有关变数的准则QA4研究是否提供了确定适当复杂性（层数或神经元数）模型的方法？QA5是否有336A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340¼ ¼¼对模型进行评估或诊断QA6是否通过应用于实际案例来研究QA7是否规定了模型训练的程序（数据转换、参数初始值、停止标准等）？问题的得分如下：QA 1 Y（是），新模型的数学公式在文章中明确提出; P（部分），数学公式是隐含的; N（否）没有明确定义数学公式，可以很容易地从阅读文章中推断出来。QA 2 Y（是），详细描述了估计模型参数的程序;P（部分），指向程序或建议阅读其他研究; N（否）未解决参数估计问题问题3是（是），条款明确规定了选择相关变量的标准; P（部分）程序表明或建议阅读其他研究; N（否），问题未解决相关变量的选择。QA 4 Y（是），有确定模型复杂性的方法或明确标准（层或节点）; P（部分），没有明确说明如何定义模型复杂性或适当引用其他文章; N（否），没有解决确定模型复杂性QA 5 Y（是），明确显示了诊断模型的过程;P（部分），模型的诊断是隐含完成的或参考另一篇文章中提出的方法; N（否），未定义，建议为所提出的模型提供诊断方法QA 6 Y（是），作者应用该模型预测一系列实时; P（部分），开发的模型用于预测一系列模拟时间;N（否），未通过应用所提出的模型进行QA 7 Y（是），训练算法的制定在文章中是明确的; P（部分），训练算法是隐含的或参考另一项研究; N（否），未定义，建议训练算法。对于问题QA1至QA7，分配以下评分：Y 1、P0.5和N 0。作为对所选模型分析的补充，还考虑了以下标准：QA 8文章收到的引文数量与发表时间之间的关系（即2010年与研究发表年份QA9 Scimago期刊即时排名的价值，反映了来源的声望，即根据文章出版年份按文件加权 的引 用价 值QA10 Source Normalized Impact per Paper（SNIP），定义了杂志文章的引用数量和感兴趣领域的引用此外，还确定了所提出的模型是否考虑了自回归的不同2.4. 数据收集从每项研究中提取的数据包括：发表文章的期刊名称，全文参考，研究主题和研究摘要，研究目标或研究问题，研究质量，所考虑主题的结果，研究的未来研究建议，收到的引文数量，指标“来源标准化影响，论文SJR指标对应于文章在三年内收到的引用次数，根据文章分析发表的期刊的声望和主题领域进行加权。SNIP指标的计算考虑了文章收到的引用数量，发表的文章数量和潜在领域的引用数量3. 所得结果3.1. 搜索结果当使用搜索字符串在SCOPUS系统自动恢复共4021出版物。然后，手动应用纳入和排除标准，最终选择共17篇文献，其参考文献列于表1中。在这个过程中，值得注意的是，虽然有很多关于人工神经网络的出版物，但很少有研究提出具有适当理论支持的新模型。此外，还发现，每年有新的理论进展的出版物数量并不稳定;出版物数量最多的年份是2005年3.2. 质量评估根据第2节中定义的质量标准最终选择了16项研究，所得结果见表2，其中每行代表一项选定的研究。在表2中，第3至9列显示了对QA 1 QA 7定义的质量问题标准的符合程度;第10列收集了与QA 1 QA 7的问题相关的总得分;第11至13列显示了应用补充标准QA 8至QA 10获得的结果最后，第15列给出了每项研究中提出的方法（混合或上述方法的不同组合）的信息;该列中的星号（*）表示它提出了与回归不同的模式质量分析结果显示，平均得分为4.35±1.302，这意味着所选研究的平均质量在3.0和5.6之间变化。请注意，这个数值范围与理想的7分有很大的不同，理想的7分代表一篇文章满足了选择最终模型的适当策略所需的所有这表明，总的来说，2006年至2016年开发的模型并不完全满足开发基于神经网络的新模型的最后，应该注意的是，只有研究S1和S6完全符合模型规格的七项标准。4. 质量因素当我们分析所选文章时，发现只有三个提案考虑了自回归的不同过程：Khashei 和Bakhari[21]，Zhang[14]，Wang等人。[27]和Chieh-C Young，Wen-C Liu和Wan-LinHsieh[30]。A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340337表1选定研究的描述。ID作者年该模型结论S1梅代罗斯2006自回归神经网络本文提出了一种自回归模型和[15]第十五话单隐层ANN模型提出的模型方法允许您以较低的计算成本指定简约的模型，成本S2Pang等人[16个]2007NLPMANN提出并验证了一种基于神经网络的非线性扰动模型网络.该方法已成功地应用于某地区流域S3哈桑，2007e提出了一种基于隐马尔可夫模型的混合模型Nath和Kirley[17](HMM)人工神经网络和遗传算法（GA），预测的行为，金融市场。S4Li等人[18个国家]2008AR*-GRNN它考虑了一个由AR* 模型和广义回归神经网络模型（GRNN）。结果表明，该方法是有效的，结合时间，系列模型与神经网络模型，利用的优点，十年模型S5卡谢2008e基于人工神经网络的基本概念，提出了一种新的混合方法[19]第十九话以及模糊回归模型，其产生更精确的结果不完整的数据集。S6陈和张[20]2009e它被认为是一种进化人工神经网络模型（EANN）自动构建架构和神经网络的权重连接S7[21]第二十一话2010e提出了一种新的混合神经网络模型，利用ARIMA模型，获得比神经网络模型更准确的预测在混合方法的第一阶段，适合ARIMA模型，第二种方法是将ARIMA模型的残差作为网络输入模型和原始数据。S8黄夏朱[22]2010ADNN它被认为是一种新的人工神经网络模型与适应度量的条目，并与网络的输出混合的机制S9[23]第二十三话2010时间序列提出了一种基于自适应小波神经网络的（AWNN）和时间序列模型，如ARMAX和GARCH，预测市场上的每日电力价值他们表现得更好结果的预测比那些在文献中报道S10Gheyas和Smith[24]2011GEFTS-GRNN它的特点和集成的回归神经网络模型预测广泛的时间序列，这是一个混合的不同算法，机器学习与此模式相结合的优势，联合，表示算法，但是具有高计算成本。S11阿拉维和甘多米[25]2011ANN-SA它被认为是一个人工神经网络模型，其训练是通过模拟退火算法（SA）。该模型是为了研究一些与地震事件有关的特征，使用实验数据。S12崔、刘、李[26]2012NWESN、BAESN、MESN提出了三种新的基于回声状态的神经网络模型网络（ESN）和复杂网络理论。虽然这些模型具有比原始模型ESN更复杂的结构S13尤库2013L NL-ANN它们表明，它们产生了更准确的预测。它提出了一个新的模型，同时考虑人工神经网络的[27]第二十七话线性和非线性时间序列结构。该网络是使用粒子群优化算法（PSO）作者表明建议的模型可以让你获得更好的结果相比，一些传统的模式。S14Wang等人[28日]2013ARIMA-ANN它被认为是一个混合模型之间的人工神经网络和ARIMA模型，以整合两种模式的优势新模式在三个数据库中进行了测试，得到了良好的结果。S15陈学军等[29]2014SVR-NN -GA提出了一种混合小波去噪方法，结合基于SVR的人工智能优化，NN模型计算结果表明，杜鹃搜索（CS）在收敛性和全局性搜索能力，并提出了基于CS的混合模型，有效和可行的，以产生更可靠和熟练的预测。S16Chieh Young等人[30个]2015三维水动力学（ANN），三维水动力模型，人工神经网络模型（BPNN），AR与外源ARMAX），输入，ARMAX）模型，并结合水动力学和人工神经网络水动力学与人工神经网络模型集成，以更准确地预测水位波动。所提出的将三维流体动力学与人工神经网络结合使用的模型是一种新的模型，对水位波动的预测精度有了提高（接下页）338A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340-1/4表1（续）ID作者年该模型结论S17Jie Wang et al. [三十一]2016ERNN-STNN提出了一种基于Elman递归神经网络的混合模型随机时间有效函数（STNN），经验结果表明，所提出的神经网络显示最好的线性回归，复杂度不变距离(CID)和多尺度CID（MCID）分析方法进行了比较使用不同的模型，例如反向传播神经网络，（BPNN），用于金融时间序列预测。另一方面，我们分析了获得的评分与文章发表日期之间的相关性，结果表明，2006年、2007年和2009年发表的研究具有相似的数值和较高的评分，而2008年和2013年发表的研究具有异质数值。请注意，在最后一个时期发表的研究的特点是低分数，也就是说，他们不符合大部分的标准，必要的一个适当的制定基于人工神经网络的预测模型此外，还发现所获得的分数与研究每年的引用原因之间的相关系数为0.1505（p值0.5120），表明该模型的规格质量对每年收到的引用数量没有影响。除了分析指标SJR和SNIP（表2的第12和13栏）之外，发现它们与获得的总得分之间没有显著关系。JRS和评分之间的Spearman相关系数为0.2462（p值为<$0.2821），SNIP和评分之间的Spearman相关系数为0.2690（p值为<$0.2384）。5. 讨论在本节中，我们回答了所提出的研究问题。RQ 1.自2006年到2016年，基于人工神经网络的新模型是什么？在2006年至2016年期间，开发了17种新型号，符合本研究中定义的所有入选和排除标准，如表1所示。RQ 2.哪些模型考虑了自回归模型的不同结构？结果发现，在这项研究中，只有17%的模型认为自回归模型的过程不同。在Khashei和Bakhari[21]、Zhang[14]、Wang 等人[28]和Chieh-C Young 、Wen-C Liu 和 Wan-LinHsieh[30]提出的模型中，使用了类似的混合方法：首先调整线性时间序列模型，然后将该模型的残差用作ANN模型的输入变量。此外，作者提出的证据表明，与传统的人工神经网络模型，如反向传播与一个单一的隐藏层所获得的然而，本研究中发现的四个模型得分较低，这表明它们不完全符合模型构建的系统过程的规范。另一方面，虽然理论表明，足够高阶的AR模型可以用足够低阶的MA精度过程来近似;但在非线性的情况下，这是不正确的。Burgess和Refenes[11]经验地证明了高阶非线性自回归模型（NAR）不能代表低阶非线性移动平均（NLMA）的过程。表2质量评估。ID问答1问答2问答3问答4问答5问答6问答7评分问答8问答9问答10方法S1YYYYYYY7.05.70.3920.908混合S2PYNYNYP4.00.81.5551.943混合S3YNNNYYY5.013.81.0941.675混合S4YNNNYPP3.01.20.3901.068组合S5YYPNYYP5.011.02.0641.985混合S6YYYYYYY7.010.51.6781.836其他S7YPNNPYN3.014.01.1731.766混合S8YPNNPPP3.07.32.6062.350其他S9YPYNYYY4.57.02.4202.989混合S10PNPNYYP3.53.01.2061.910混合S11YYPNYYY4.515.51.3012.619其他S12PPNNYPP3.0e0.8761.102其他S13YYNNYYY5.0eee混合S14NNNNYYP2.5eee混合S15PNPNYYP3.5eee混合S16YYPNYYP5.0eee组合S17YPPYYYP5.5e0.2320.570组合A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340339在这种情况下，由模型NAR捕获的信息的内容减少，这可能由由于大量所需参数而导致的方差增加来解释。这导致模型的泛化能力下降。同样，对于研究问题RQ 2，出现了主题性的未来研究，其不仅与构建模型的系统过程中缺失的项目有关（参见表1），而且还与缺乏用于估计模型参数的算法有关，该模型以与自回归模型相同的方式使用创新或过去的浪费作为神经网络模型中的条目，以便能够预测固有地继续非线性移动平均过程的系列RQ 3.什么是已发表的研究提出了一个系统的方法，一步一步，为建设的模型？与每项研究相关的评分（表2）得出的结论是，只有8%的新模型明确解决了：架构的选择，模型复杂性的确定，相关变量的选择通常，2006年至2016年提出的模型提供了数学公式和架构的选择，估计参数的过程以及对实际数据的应用但有必要从以下几个方面开展研究：1) 选择相关变量的标准。2) 确定所选神经网络模型的最佳结构的方法学开发。3) 在捕捉系列的主要特征及其推广方面制定评价模型的方法。这里的另一个重要方面是，这些模型被用作进一步研究的参考，尽管在规范过程中发现的问题尚未解决。RQ 4.在新提出的方法中，需要解决的突出问题是什么？在表2中，第3至10列列出了突出的研究领域;它们用字母P和N标识6. 结论在本研究中，我们检查了2006年至 2016年期间文献中最相关的已发表文献。调查的重点是拟议的基于人工神经网络的非线性时间序列预测新模型。针对每一篇文章，讨论了存在的问题和有待解决的问题。一般而言，观察到在选定的研究中提出的模型不完全满足用于构建ANN模型的系统程序。模型的数学规范和明确的训练定义程序部分或全部见于17项选定的研究。然而，这不会发生在必须满足ANN模型的其他施工同样，在文献中得出的结论是，没有人工神经网络模型，明确考虑纳入MA条款，这似乎是目前在许多实时序列。未来的研究应该考虑更多的数据来源，如谷歌学术和汤姆森硕士期刊，以达到更多的相关研究。此外，研究这些研究应该区分预测的类型，如果它是一个步骤或多个步骤的预测。对于更先进的调查，预测使用不同类型的计算智能技术也应该考虑。引用[1] ClementsMP，Frances PH，Swanson NR. 用非线性模型预测经济和金融时间序列。 Int J Forecast 2004;20（2）：169183.[2] 白H多层前馈网络中忽略非线性的附加隐单元检验。见：神经网络国际联合会议论文集，第2卷。Washington，DC：IEEEPress，NY;1989. p. 451e 5.[3] 马斯特斯·T C语言中的实用神经网络配方。Morgan Kaufmann;1993.[4] Granger CWJ，Tersvirta T.非线性经济关系模型。北京：清华大学出版社，1993.[5] 特斯维塔湖平稳过渡自回归模型的规格、估计与评价。《美国统计学杂志》1994;89（425）：208e 18。[6] AndersU，Korn O. 神经网络中的模型选择 神经网络1999;12（2）：309323.[7] Paliwal M，Kumar UA.神经网络与统计技术：应用回顾。 专家系统应用2009;36（1）：217.[8] Zhang G，Patuwo BE，Hu MY.“人工神经网络预测”，最新研究成果。 国际预测杂志1998;14（1）：3562.[9] 放 大 图 片 作 者 ： J. 时 间 序 列 预 测 的 DAN 2 模 型 综 述 。 IngUniv2012;16（1）：135146.[10] 齐明，张广普.神经网络时间序列预测模型选择准则的研究。 Eur JOper Res 2001;132（3）：666680.[11] 张文，张文，等.基于神经网络的波动率预测模型的建立.北京：科学出版社，2000.信号处理1999;74（1）：8999.[12] Kitchenham BA.进行系统性审查的程序。联合技术报告。基尔大学计算机科学系（TR/SE- 0401）和澳大利亚国家信息通信技术有限公司; 2004年（0400011T.1）。[14] Zhang GP.时间序列预测的ARIMA和神经网络混合模型。神经计算2003;50：159175.[15] Médeiros MC，Tersvirta T，Rech G.建立时间序列的神经网络模型：一种统计方法。 J Forecast 2006;25（1）：4975.[16] 彭宝，郭世，熊丽，李春。一种基于人工神经网络的非线性扰动模型。J Hydrol2007;333（24）：504516.[17] 放大图片作者：HassanMd R，Nath B. 基于HMM、ANN和GA的股市预测融合模型。 专家系统应用2007;33（1）：171180.[18] 李伟，罗勇，朱强，刘军，乐军。AR*-GRNN模型在金融时间序列预测中的应用。神经计算应用2008;17（56）：441448.[19] Khashei M，Reza Hejazi S，Bijari M.时间序列预测的一种新的混合人工神经网络和模糊回归模型。模糊集系统Apr. 2 0 0 8 ;159（7）：769786.[20] 陈燕，张凤娟。进化人工神经网络在水文预报中的应用。JHydrol2009;367（12）：125137.[21] Khashei M，Bijari M.时间序列预测的人工神经网络（p，d，q）模型。专家系统应用2010;37（1）：479489.[22] 黄伟光，夏明，朱伟光。时间序列预测的自适应神经网络模型。Eur J Oper Res 2010;207（2）：807816.[23] 吴L.日前价格预测的混合模型。IEEE Trans Power Syst 2010;25（3）：1519e 30.[24] Gheyas IA，Smith LS.一种新的时间序列预测神经网络集成结构。神经计算2011;74：38553864.340A. Tealab/Future Computing and Informatics Journal 3（2018）334e 340[25] Alavi AH，Gandomi AH.用人工神经网络和模拟退火耦合的混合方法预测主要地震动参数。94.第94章：你是谁？[26] 崔华，刘翔，李良. 回声状态网络中的动态库的体系结构，混沌：一个跨学科。J Nonlinear Sci 2012;22（3）. 033127[27] 杨文，李文，等.一种新的线性&非线性人工神经网络时间序列预测模型。Decis Support Syst2013;54（3）：13401347.[28] [10]王丽，邹华，苏杰，李丽，乔德里.时间序列预测的ARIMAANN混合模型。 Syst Res Behav Sci 2014;30（3）：244e 59.[29] 陈晓，靳松，秦松，李玲.布谷鸟搜索优化的混合模式短期风速预测研究及其应用。MathProbl Eng 2014.文章ID608597。[30] 李文，刘文，谢文.“用物理模型、人工神经网络模型和时间序列模型预测高山湖泊水位波动”。Math Probl Eng 2015. 文章ID 708204.[31] 王军，王军，方伟，牛华.基于Elman递归随机神经网络的金融时间序列预测。Comput Intell Neurosci 2016. 文章ID 4742515。[32] 李文，等.非线性时间序列的神经网络预测.北京：高等教育出版社 ， 2000. Future Comput Inform J ， 文 章 ID ： FCIJ13 。https://doi.org/10.1016/j.fcij.2017.06.001网站。[33] Ben Taieb S，Bontempi G，Atiya AF，Sorjamaa A. 基于NN5预测竞赛，对时间序列多步预测策略进行了回顾和比较。Expert SystAppl2012;39：7067e 83.