神经网络用于时间序列预测，通过学习序列数据中的模式和依赖关系来预测未来值。与传统的统计方法（例如 ARIMA）不同，神经网络可以对复杂的非线性关系进行建模，并处理多元输入。循环神经网络 (RNN) 和长短期记忆 (LSTM) 网络是常见的选择，因为它们逐步处理序列，保持过去输入的“记忆”。 例如，LSTM 可以捕获每小时温度数据中的趋势和季节性，以预测第二天的温度。 卷积神经网络 (CNN) 也被使用，将过滤器应用于滑动时间窗口以检测局部模式，例如销售数据中的突然高峰。
特定的架构针对时间序列任务进行了定制。最初为 NLP 设计的 Transformer 使用自注意力来衡量不同时间步的重要性，使其对于长期依赖关系有效。 例如，Transformer 可能会通过关注每周周期或假期异常来预测电力需求。 混合模型，如 CNN 与 LSTM 的组合，使用 CNN 从原始数据（例如，传感器读数）中提取特征，并使用 LSTM 对时间关系进行建模。 自回归模型（如 DeepAR）输出概率分布以进行概率预测，这在零售库存规划等不确定性很重要的场景中很有用。
实际实现包括将数据预处理为固定长度的窗口（例如，使用过去 30 天来预测未来 7 天）。 TensorFlow 和 PyTorch 等库提供了构建这些模型的工具。 主要挑战包括处理缺失数据、标准化输入以及使用 dropout 等技术避免过度拟合。 平均绝对误差 (MAE) 或均方根误差 (RMSE) 等指标评估性能。 例如，开发人员可能会在股票价格数据上训练 LSTM，使用提前停止来停止训练（如果验证损失趋于平稳）。 通常需要通过实验架构深度、输入窗口大小和超参数（例如，学习率）来优化特定数据集的结果。