时序数据的神经网络是什么

A. 对于时序随机数据用什么神经网络做处理

将历史数据作为样本训练，最后用一组对应的样本作为输入，输出自然是未来数据。神经网络预测就是这么做的。
对商品价格变动的分析，可归结为对影响市场供求关系的诸多因素的综合分析。传统的统计经济学方法因其固有的局限性，难以对价格变动做出科学的预测，而人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，所以用人工神经网络进行价格预测是有着传统方法无法相比的优势。从市场价格的确定机制出发，依据影响商品价格的家庭户数、人均可支配收入、贷款利率、城市化水平等复杂、多变的因素，建立较为准确可靠的模型。该模型可以对商品价格的变动趋势进行科学预测，并得到准确客观的评价结果。

B. 可视化时序数据时，目标是看到什么

以下几个因素供考虑：
一、沟通能力：
数据可视化是工具，而不是目的。通过对数据可视化的分析，一定要解决以下几个问题之一：
1、增加市场机会--增加销售额
2、提高运营效率--增加利润
3、降低风险。
如果数据可视化的展示，不能向用户提供这三个问题的解决方案，再好的可视化展示也没有意义。
所以，在接手可视化项目之前，最先要了解客户要解决什么问题。同时，要了解客户的数据来源有哪些。这些工作，都是可视化成功的保证。
二、工具的选择：
不同的可视化工具，带给客户不同的感受，应该选择哪些可以和客户快速互动的产品，可视化是手段，不是目的。切忌不要为了可视化的效果，而忽略了要解决的问题。
三、要给出可以衡量的结论：
利用可视化的数据，要给客户讲出一个符合逻辑的故事，这个故事的结论，应当是可以衡量的。
可以简单的记成一个词：SMART
specific、maruable、attainable、ralevent、time-bound.
可视化成功最重要的是要提前进行交流

C. 时间序列模型和神经网络模型有何区别

时间序列模型是指采用某种算法（可以是神经网络、ARMA等）模拟历史数据，找出其中的变化规律，
神经网络模型是一种算法，可以用于分类、聚类、预测等等不用领域；

两者一个是问题模型，一个是算法模型

D. 是一种处理时序数据的神经网络,常用于语音识别,机器翻译等领域

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现。
LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。

E. 是一种处理时序数据的神经网络,常用于语音识别,机器翻译等领域

搜一下：是一种处理时序数据的神经网络,常用于语音识别,机器翻译等领域

F. 神经网络是什么 归一化又怎么还原

神经网络是一种数据处理工具，或者叫数据处理方法。可以说是一种利用少量数据建立起一个带有误差的数据网络的一种方法，具体的建议你看一下这方面的ppt，在网络文库里可以找到很多ppt。
归一化之后如果要把数据取出来可以反归一化，用归一化的公式反过来推一下，反归一化公式就出来了。

G. 神经网络可以用来预测时间序列吗

神经网络是可以用来预测时间序列。例如神经网络人口预测。已知1990至2009年的某地区人口数[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128]。预测2010-2016年的某地区人口数。

具体实施过程：

%已知数据

t=1990:2009;

x=[11 28 30 42 44 56 49 60 50 63 56 74 76 65 92 105 124 117 132 128];

% 自回归阶数

lag=3;

%预测步数为fn

fn=length(t);

%输出数据

[f_out,iinput]=BP(x,lag,fn); %BP（）神经网络预测函数

[x' iinput']

R2=corrcoef(x,iinput)

%预测年份或某一时间段

%t1=2015:2016;

t1=length(x)+1:length(x)+7;

%预测步数为fn

fn=length(t1);

[f_out,iinput]=BP(x,lag,fn);

P=vpa(f_out,5);

%预测数据

t1=2010:2016;

[t1' P']

% 画出预测图

figure(6),plot(t,x,'b*-'),hold on

plot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid on

title('BP神经网络预测某地区人口数')

xlabel('年份'),ylabel('人口数');

legend('2009-2014年人口变化数','2014-2016年人口预测数');

H. 【神经网络时间序列】请教NAR网络预测问题，谢谢

NAR网络是只有y(t),NARX网络是有x(t)和y(t).
对于NAR网络来说，其只能够输出相对于延迟向量的下一个值。故需要用循环不断更新集合，把时间步往前推进。

T=tonndata(force,false,false); %输入和输出矩阵须为cell类型的矩阵，且不能用num2cell来转换，如果使用二维cell矩阵，将会被认为是两个输入从而不能训练.假设force数据集只有50个（一行）。
force_raw=T(1:30); %创造一个1*30的Xi，与延迟向量1:30对应起来。为已知矩阵。
for j=1:50 %y1的前20个是对照着force里面第31个到50个，加上可以预测后面30个数据。
y1(j)=net(T(10),force_raw); %这里还需要大神指教，T（10）里面是当前矩阵，数字可以任意取，结果都一样。只是为了输出一维矩阵
force_raw=[force_raw(2:end),y1(j)]; %更新得到新的已知矩阵，为2,3~,30,31，下一步第一行应该是得到第43个。 不断更新即可得到预测值。

I. 时序数据库是什么解决什么问题的主要应用那些行业

时序数据库是一种按照时间存储的数据库。
解决是海量数据的高效插入查询。
应用在互联网的大规模数据统计分析上面，物联网的信息收集方面。

时间点对于时序数据库非常重要，而高吞吐量决定了它存在的价值。