神经网络为什么可以预测？
这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。
例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。
而进行长期负荷预测时，训练样本是以年为单位的负荷数据，就可以预测几年甚至数十年的负荷。再例如，进行人口增长预测，则一般是以多年预测为基础的。
谷歌人工智能写作项目：神经网络伪原创
求助：用神经网络做一个数据预测
下列代码为BP神经网络预测37-56周的销售量的代码：% x为原始序列load 销售量.matdata=Cx=data';t=1:length(x);lag=2;fn=length(t);[f_out,iinput]=BP(x,lag,fn);%预测年份或某一时间段t1=fn:fn+20;n=length(t1);t1=length(x)+1:length(x)+n;%预测步数为fnfn=length(t1); [f_out,iinput]=BP(x,lag,fn);P=vpa(f_out,5);[t1' P']% 画出预测图figure(6),plot(t,x,'b*-'),hold onplot(t(end):t1(end),[iinput(end),f_out],'rp-'),grid onxlabel('周数'),ylabel('销售量');str=['BP神经网络预测',num2str(length(x)+1),'-',num2str(length(x)+20),'周的销售量'];title(str)str1=['1-',num2str(length(x)),'周的销售量'];str2=[num2str(length(x)+1),'-',num2str(length(x)+20),'周的预测销售量'];legend(str1,str2)运行结果文案狗。
BP神经网络做数据预测，预测出来结果感觉不对，求大神指导
如何用神经网络实现连续型变量的回归预测？
神经网络最开始是机器学习的一种模型，但其训练的时间和其他几种模型相比不占优势，且结果也不尽人意，所以一直没有被广泛使用。
但随着数学的深入研究以及计算机硬件质量的提高，尤其是GPU的出现，给深度学习的广泛应用提供了基础。
GPU最初是为了给游戏玩家带来高质量的视觉体验，由于其处理矩阵运算的能力特别优秀，也被用于深度学习中模型的训练，以往数十天才能训练好的模型在GPU上训练几天就可以训练好，大大减少了深度学习的训练时间，因而深度学习的应用越来越多。
神经网络作为深度学习最主要的模型，人工神经网络ANN是最基础的神经网络结构，其工作原理很像人类大脑中的神经。
神经元是ANN的工作单元，每个神经元含有权重和偏置，神经元将上一层神经元传递过来的值通过权重和偏置的运算，得到新的结果，将该结果传递给下一层神经元，通过不断的传递，最终获得输出结果。
要想用神经网络实现连续型变量的回归预测，需要将该N维变量的数据作为输入，中间再设置隐藏层和每一层的神经元个数，至于隐藏层的层数则需要多次训练才能得出较准确的层数。
而最后输出层的值和实际变量的值会有误差，神经网络会通过不断地训练，更改权重和偏置的值来使误差尽可能的小，当误差小到一定程度，该神经网络的回归预测就算成功了。
通常使用Python来搭建神经网络，Python自带深度学习的一些库，在进行回归预测时，我们只需用调用函数，设定几个参数，如隐藏层层数和神经元个数等，剩下的就是等模型自行训练，最终便能完成回归预测，非常的方便。
神经网络能对数据进行预测吗 数学建模
神经网络本身就是数学的逼近模型，网络最早是由数学中的函数逼近技术而来，按照统计学规律，组合成线性叠加网络，从中分析出一些现实中高度非线性的模型，神经网络本身就是个数学建模，只是经过整理后更容易进行工程实践了，至于预测那是当然可以的。