这是一个简单的食谱，可以帮助您开始编写代码和测试想法......

假设您记录了几年的月度数据，因此您有 36 个值。我们还假设您只关心提前一个月（价值）的预测。

1. 探索性数据分析：应用一些传统的时间序列分析方法来估计数据中的滞后依赖性（例如自相关和部分自相关图、转换、差分）。假设您发现给定月份的值与过去三个月的数据相关，但除此之外没有太大关系。
2. 将数据划分为训练集和验证集：将前 24 个点作为训练值，其余点作为验证集。
3. 创建神经网络布局：您将过去三个月的值作为输入，并希望预测下个月的值。因此，您需要一个神经网络，其输入层包含三个节点，输出层包含一个节点。你可能应该有一个至少有几个节点的隐藏层。不幸的是，选择隐藏层的数量，以及它们各自的节点数量，并没有明确的指导方针。我会从小处着手，比如 3:2:1。
4. 创建训练模式：每个训练模式将有四个值，前三个对应于输入节点，最后一个定义输出节点的正确值。例如，如果您的训练数据是值则 $$x_1,x_2\dots,x_{24}$$ $$pattern 1: x_1,x_2,x_3,x_4$$ $$pattern 2: x_2,x_3,x_4,x_5$$ $$\dots$$ $$pattern 21: x_{21},x_{22},x_{23},x_{24}$$
5. 在这些模式上训练神经网络
6. 在验证集上测试网络（第 25-36 个月）：在这里，您将传入神经网络输入层所需的三个值，并查看输出节点设置为什么。因此，要查看经过训练的神经网络如何预测第 32 个月的值，您将传入第 29、30 和 31 个月的值

这个秘籍显然是高级别的，当你试图将你的上下文映射到不同的软件库/程序时，你可能会一开始就摸不着头脑。但是，希望这能勾勒出要点：您需要创建合理地包含您尝试预测的序列的相关结构的训练模式。无论您使用神经网络还是 ARIMA 模型进行预测，确定该结构是什么的探索性工作通常是最耗时和最困难的部分。

根据我的经验，神经网络可以提供出色的分类和预测功能，但设置它们可能很耗时。在上面的例子中，你可能会发现 21 种训练模式是不够的；不同的输入数据转换导致更好/更差的预测；改变隐藏层和隐藏层节点的数量会极大地影响预测；等等

我强烈建议您查看neural_forecasting网站，其中包含大量有关神经网络预测竞赛的信息。动机页面特别有用。