现今，神经网络在时间序列的应用上非常广泛，国内外也有很多人提出不同的模型去更好的应用。最开始，Lapedes和Farber使用神经网络模型预测两个无序的时间序列,自此开辟了神经网络在时间序列预测的先河。接着，Leighton和Conrath提出的自回归反传网络模型在过去的时间序列上表现出较好的效果。之后Sollich和Krogh提出了 “神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的和神经网络在该示例下的输出共同决定”的神经网络集成方法定义。之后Hansen等人利用神经网络进行手写体识别，也表现了相当好的效果。
1.3   研究内容和技术路线
1.3.1研究内容
（1）    数据的预处理。对于准备训练的数据进行预处理，数据归一化、数据验证集的转换为one-hot编码、数据的去噪等方式去提高预测的精度以及提高训练的学习速率。
（2）    搭建网络模型。本文的递归神经网络模型采用的是LSTM神经网络模型。该模型是普通递归神经网络的一种改进型。测试调整网络模型各种参数，尽可能的提高模型预测的进度。
（3）    尝试在递归神经网络中加入卷积层来提高对序列信息特征的提取，对比加入卷积层前后预测精度，是否达到预估的效果。
（4）    编写界面系统。编写一个基于web的界面操作系统，更加有利于对模型的使用，使得模型预测时更加人性化。
1.3.2 技术路线
（1）    首先学习递归神经网络的相关知识。包括LSTM神经网络的改进、递归神经网络的实现算法、网络结构。
（2）    搭建网络模型，包括对模型的各个部分函数参数的学习，如激励函数、优化函数、损失函数等。测试调整网络结构，以及对数据的处理。
（3）    进行预测测试。对网络模型的各个参数进行测试、调整，使得模型对序列的预测尽可能的具有一个良好的效果。
（4）    在测试完毕后，尝试加入卷积层，训练预测，查看各项指数与未加入卷积层前的差异，是否具有提高网络性能的能力。
（5）    在整个模型的测试、固化后，整合到web端的界面，测试运行，查看模型是否可以预测数据。 java递归神经网络大棚温室短序列预测+源代码(3):http://www.youerw.com/jisuanji/lunwen_32168.html