依据历史数据进行风速时间序列同样要构造一定的预测模型，经过人们长期对建模的研究与探索，现今主要使用的预测模型有以下几种类型：

（1）支持向量机（SVM）与最小二乘支持向量机（LSSVM）模型。它们的优势在于能区分冗余样本，用小样本完成高效的学习过程，泛化能力强，也并不会陷入高维度的复杂计算中。其缺点在于它们的一些重要的参数难以选择，需要依赖于人们的主观经验，其中的一些差别会使得向量机无法达到它的最佳预测效果。

（2）自回归滑动平均模型（ARMA）与差分自回归滑动平均模型（ARIMA）模型。它们的优势在于只需要经过一些简单的运算即可得出预测结果，因此它运算速度快，预测效率高。但它同时也存在非线性拟合能力不强，对于具有非线性特征的风速时间序列往往不能得到令人满意的预测结果。

（3）人工神经网络预测模型。与ARMA和ARIMA相反，人工神经网络模型能够很好地拟合一些非线性函数，从而对非线性的时间序列进行预测。然而它也有一定的不足之处，即收敛速度慢，易陷于局部极值而不能自拔等等，这些在下文中我们将详细介绍。

本文采用单乘神经元模型结合扩展卡尔曼滤波进行风速时间序列预测。单乘神经元模型拥有神经网络模型的优势，同时因为这类模型具有结构简单的特点，计算也简便不少，在一些场合表现出比神经网络更好的使用性能。