Rob Hyndman 正在积极研究神经网络的预测。他最近将nnetar()函数添加到forecast包中，该函数利用nnet您引用的包来适应时间序列数据。

http://cran.r-project.org/web/packages/forecast/index.html

帮助文档中的示例：

fit <- nnetar(lynx)
fcast <- forecast(fit)
plot(fcast)

Rob 在他的在线文本的这个特定部分中提供了更多背景信息：预测：原则和实践。

（显然，非常感谢 Rob。）

正在寻找同样的东西并偶然发现了这个问题。由于我还没有找到一个例子，我决定自己做一个。请注意，我不是神经网络或预测方面的专家 :)

为了使用神经网络 (nnets) 有效地对时间序列进行建模，我认为 nnets 应该具有的一个重要属性是某种记忆（跟踪过去发生的事情）。因此，简单的前馈网络可能不是一个好主意。nnets 中可以有效模拟记忆的家族之一是循环神经网络家族，其中最知名的循环神经网络类型之一可能是 Elman 网络（连同我想说的长短期记忆 (LSTM) 网络）。要查找有关 Elman 网络的更多信息，您可以查看介绍该概念的原始论文或通过Wikipedia。简而言之，它们有一个称为上下文的附加层，用作一种内存。下图（来源）说明了这个想法

对我们来说幸运的是，R 中的 RSNNS 包能够安装 Elman 网。该软件包在此处详细描述。

现在我们已经了解了基础知识，让我们看看如何使用 RSNNS 包在 R 中实现一个示例。

library(RSNNS)

#
# simulate an arima time series example of the length n
#
set.seed(10001)
n <- 100
ts.sim <- arima.sim(list(order = c(1,1,0), ar = 0.7), n = n-1)

#
# create an input data set for ts.sim
# sw = sliding-window size
#
# the last point of the time series will not be used
#   in the training phase, only in the prediction/validation phase
# 
sw <- 1
X <- lapply(sw:(n-2),
       function(ind){
           ts.sim[(ind-sw+1):ind]
       })
X <- do.call(rbind, X)
Y <- sapply(sw:(n-2),
       function(ind){
           ts.sim[ind+1]
       })

# used to validate prediction properties
# on the last point of the series
newX <- ts.sim[(n-sw):(n-1)]
newY <- ts.sim[n]

# build an elman network based on the input
model <- elman(X, Y,
               size = c(10, 10),
               learnFuncParams = c(0.001),
               maxit = 500,
               linOut = TRUE)

#
# plot the results
#
limits <- range(c(Y, model$fitted.values))

plot(Y, type = "l", col="red",
     ylim=limits, xlim=c(0, length(Y)),
     ylab="", xlab="")
lines(model$fitted.values, col = "green", type="l")

points(length(Y)+1, newY, col="red", pch=16)
points(length(Y)+1, predict(model, newdata=newX),
       pch="X", col="green")

此代码应导致下图

所以我们对代码所做的事情如下。首先，我们创建了一个时间序列示例（来自 ARIMA 模型）。之后，我们将时间序列示例解耦/切片为形式的输入（sw 前一个点，下一个点），用于除最后一对之外的所有对（下一个点作为时间序列示例的最后一个点）。参数 sw 用于定义“滑动窗口”。我不会在这里讨论什么是滑动窗口的合适大小，但请注意，由于 Elman 网络具有内存，大小为 1 的滑动窗口不仅仅是一种合理的方法（另外，请查看这篇文章）。

准备工作完成后，我们可以简单地使用 elman 函数构建一个 Elman 网络。您应该注意两个参数；大小和 learnFuncParams。size 参数为您提供了一种定义网络（隐藏层）大小的方法，您选择此参数的方式更像是一门艺术而不是一门科学。learnFuncParams 的经验法则是在可行的情况下保持较小（您的处理能力允许您保持较小/您有足够的时间等待：D）。

瞧，你的神经网络能够预测一个/未来的点/值。对于我们的示例，这种方法的预测能力如上图所示。红色曲线表示我们模拟的时间序列（没有最后一点），绿色曲线表示使用拟合的 Elman 网络获得的结果。红点表示最后一个点（在拟合过程中未使用的点），绿点表示拟合网络预测的点。一点也不差 ：）

这是一个关于如何使用 RNN（Elman 网络）和 R 进行预测/预测的示例。有些人可能会争辩说，RNN 并不是解决问题的最佳选择，并且有更好的 nnet 模型用于预测。由于我不是该领域的专家，我将避免讨论这些问题。

如果您想了解有关 RNN 的更多信息，那么一本有趣的读物是序列学习论文中对 RNN的批判性评论。