我目前正在研究用于时间序列预测的神经网络。我的疑问是：在使用神经网络而不是 box jenkins 方法时，我们是否需要考虑趋势、非平稳性和季节性等问题？
如果是，我们该怎么做？例如，我们是否需要更改成本函数或其他参数？我目前在 R 中使用 nnet 和神经网络包，但我在相关文档中没有找到任何关于这些问题的信息。
如果不是，那么这是否意味着模型从数据本身中学习了季节性？例如，假设有一个具有上升趋势的时间序列，以及一些变化。我可以假设如果我们在这样的序列上拟合一个神经网络，那么它可能只学习一个插值吗？
一些针对特定神经网络和季节性的谷歌搜索导致了这篇论文，季节性和趋势时间序列的神经网络预测，Zhang 和 Qi，欧洲运筹学杂志，V.160，2，2005 年 1 月 16 日，501-514。在本文中，作者试图将 Box-Jenkins 方法与神经网络方法进行比较。从摘要：
我们发现神经网络无法使用未经预处理的原始数据有效地捕捉季节性或趋势变化，并且去趋势或去季节性化可以显着减少预测误差。此外，发现结合去趋势和去季节化是最有效的数据预处理方法。
他们得出的结论是，在预处理步骤中考虑趋势和季节性是一个好主意。
Chris Chatfield 在International Journal of Forecasting 9 (1993) 1-3 上发表了一篇题为“神经网络：预测突破还是一时兴起？”的社论。它专注于比较 ARIMA 模型和神经网络。他警告说，有时在报道神经网络在商业和经济预测中明显成功的应用时，并没有将结果与任何更成熟的替代方案进行比较。查特菲尔德总结道：
In summary it is possible that neural nets will outperform standard forecasting
procedures when a fair comparison is made, at least for certain types of situation, but
there is little systematic evidence of this as yet.
还有一篇由 Chatfield 合着的论文发表在Applied Statistics上。它将 NN 与 Box-Jenkins 和 Holt-Winters 进行了比较，并报告了使用 NN 进行预测的许多潜在问题。作者建议“正如有时建议的那样，在‘黑盒’中盲目地应用 NN 是不明智的”，我认为这可以回答您的问题。
如果您目前正在研究用于时间序列预测的神经网络，我建议您建立自己的质量参考集合。上面的两个参考是一个好的开始。Brian Ripley 在这篇 R 新闻和他的“模式识别和神经网络”一书中都没有讨论时间序列的 NN ，但您可能可以在其他地方找到他关于时间序列预测的神经网络的工作。
您还可以查看这篇评论论文：使用人工神经网络进行预测： IJF 中的最新技术，尽管它是 1998 年发布的。它参考了将 NN 应用于多变量时间序列问题的工作。特别是，它说
Gorr (1994) believes that ANNs can be more appropriate for the following situations:
(1) large data sets;
(2) problems with nonlinear structure;
(3) the multivariate time series forecasting problems.
还有“...从统计角度进行的评论”（Leo Breimann 在他的评论中评论说“为其他统计观点留下了空间”）发表在统计科学，卷。9、第1期（1994年2月）