全文总字数：3126字

1. 研究目的与意义及国内外研究现状

时间序列预测能根据已有的数据来对未来的数据发展进行预测，正是由于这一特性，时间序列预测在很多领域有着比较广泛的应用，而它本身也已经成为一个很热门的领域，因此对于人类的发展有着比较深远的影响。各类组织包括政府部门在对未来发展做出规划的时候就需要进行时间序列预测。而为了保证预测能够尽可能的精确，则需要我们需要建立一个合理，能够尽可能排除各类干扰项，能够使得时间序列预测的结果更为精确的模型。根据这一需求，本文提出了一种极限自适应学习机的模型对于时间序列进行预测。

国内外研究现状

时间序列预测一直在不断完善中，其研究状况如下：

（1）长短记忆时间序列预测现状

2. 研究的基本内容

为了证实本文所提出之方法是合理并且有效的，因此本文从三种不同类型的例子出发（包括综合性实例，无序的时间序列，现实中真实存在的时间序列），取出数据源的前端数据作为样本数据，然后将剩余数据作为预测数据，同时为了测试这些模型的抗噪性，我们往样本数据中加入干扰项，然后分别取出本文提出的模型的预测结果，以及AR模型，AKN模型和ANN模型的预测结果，再与实际结果相比较，从而考量出哪一模型具有更好的抗噪性以及更好的预测精度。

3. 实施方案、进度安排及预期效果

1：确定论文主题方向，进行论文题目的筛选。从而得出论文题目：基于极限自适应学习机的时间序列预测2：查阅与时间序列预测有关的书籍资料，为写论文打好基础3：在大体框架确定的前提下，开始填写开题报告。4：整合已有资料、构筑论文的大纲。5：为了证实本文提出的模型有可取性，取几个不同方面的实例与现有的时间序列预测模型进行对比，然后将所得出的结论诉诸论文6：完成初稿，向指导老师寻求意见，对论文的不足之处进行整合修改

7，论文资料整合，最终定稿，为最终的答辩做好各方面准备，熟悉论文内容，增强自己对论文内容的把握，进行一定的思维发散，设计论文答辩。

4. 参考文献

[1].makridakis, s., wheelwright, s.c., hyndman, r.j., 1998. forecasting-methods and applications, third ed. wiley, new york. pp. 42–50.

[2].masters, t., 1995. advanced algorithms for neural networks: a c sourcebook. wiley, new york.

[3].mcdonnell, j.r., waagen, d., 1994. evolving recurrent perceptrons for time series modeling. ieee transactions on neural networks 5, 24–38.