1. 研究目的与意义、国内外研究现状（文献综述）
研究意义时间序列预测是时间序列分析的应用之一,通过对大量的观测数据进行分析,能够预测出数据在未来的发展趋势,以便对将要发生的事件进行控制。
传统的时间序列分析是从纯数学的角度出发对数据进行分析,但是由于实际应用中的时间序列具有不规则、混沌等非线性特征,所以很难对系统建立理想的模型。
人工神经网络具有自组织、自学习以及非线性逼近能力,所以将人工神经网络用于时间序列预测能得到一个理想的预测模型。
2. 研究的基本内容和问题
研究目的与目标 此次研究将在研究递归神经网络的基础上,建立基于递归神经网络的时间序列测模型,实现稳定和高准确度的时间序列预测。
在lstm网络模型之上加入卷积层,完善整合最后的网络模型 ,实现集成预测器,从而提高时间序列预测的准确度。
研究内容 1、 数据预处理 2、 基于lstm神经网络模型，搭建一个用于时间序列预测的网络模型 3、 对数据进行训练，对数据进行预测，得到预测结果 4、 在模型中尝试加入卷积层，并对比之前的模型因此，此次的研究主要是数据的预处理，神经网络模型的搭建，以及生成一个预测器。
3. 研究的方法与方案
研究方法采用查阅文献和书籍的方法，理解并掌握递归神经网络模型以及lstm网络在时间序列预测上的应有及实现。
学习python语言，基于keras（theano为后端）搭建并实现神经网络模型。
采用编程语言编写用于展示的用户界面进行研究和开发，通过试验测试，测试系统对数据预测的准确率。
4. 研究创新点
特色或创新之处本次课题采用的是LSTM神经网络结合卷积神经网络的卷积层，由于卷积层可以对任意大小的数据样本提取特征，这样可以应用于更加广泛的时间序列预测，对于预测的准确性也有一定的提高。
5. 研究计划与进展
研究计划及预期进展 2016年1月：进行资料搜集，对相关知识进行系统学习，根据指导老师的建议对设计进行进一步完善与修改。
2016年1－3月：进行模型搭建，并进行数据训练测试和结果分析，加入卷积层，改进网络模型。
2016年4月：系统的调试与完善、论文的撰写。
