使用neural network来预测下一个结果

我正在努力了解如何使用neural network来预测一些值。

据我所知，我可以用一些时间序列训练我的neural network。

所以，如果我有，例如，特定股票的日常报价，我可以用这些值来训练networking。

但是，如果我将日常的报价作为一个向量[42, 12, 20, 53, 18]并且我想预测下一个值，那么它是不是只有公式Y = 0.7X + 31.1的线性回归问题Y = 0.7X + 31.1 ，下一个（第6个）的值为26.9 ？

neural network仅在输出依赖于许多input时才有用吗？有人能告诉我一个如何在时间序列中预测下一个结果的实际例子，表明使用neural network而不是多元回归更有用吗？

例如，我曾看过synaptic.js ，但没有提供任何预测结果的简单例子。

我对neural network非常陌生，所以如果这个问题真的很愚蠢，我很抱歉：-D

您可以按以下方式使用循环neural network进行此类任务：

input：作为一个input采取没有最后一个股票价格序列。
产出：作为一个产出，没有第一个股票价格的序列。
拓扑结构和networking细节：build立一个循环的neural network（例如通过使用GRU或LSTM单元）以给定input的方式，它必须预测下一步。因此，举例来说[42, 12, 20, 53]作为input应该产生[12, 20, 53, 18]作为输出（我正在使用你给出的一个例子序列）。
预测步骤：如果要预测networking的下一个结果 – 只需将您的networking连接到您的networking，并将最后一个输出作为预测。

如果您有一个由2维值组成的数据集，并且您从绘图等知道数据的最佳匹配函数是线性函数，实际上是一条直线，则可以简单地应用线性回归来适合您的数据，或一个感知器（这是相同的）。

由于函数模板（用于线性回归的模型f(x)=mx+b是f(x)=mx+b ，其中m和b是诸如梯度下降等algorithm的可调参数。

例如，如果您知道与您的数据匹配的函数必须是比线性函数高的多项式，则可以将多元回归用于更复杂的模型或neural network。 function模型的复杂性在于由隐藏层的大小和数量定义的neural network的情况下。

我相信这取决于哪一种algorithm优于其他algorithm。