本论文探讨的内容是应用于预测和决策的统计与神经网络的混合模型.详细地说,它是用于捕捉存在于时间序列中线性与非线性数据的Box-Jenkins自回归累积移动平均模型与前反馈神经网络模型的混合体.本文总的目标是发展带有真实数据集的ARIMA、神经网络与混合模型,并通过分别与该方法所用到的原有方法的对比,确认本文所提出的这种混合模型的有效性.本文给出的混合时间序列预测的框架,对于时间序列分析和决策制定领域是一个很基本的贡献.基于此框架的方法能够成功地刻画并预测复杂的、混乱的时间序列.通过配合不同的模型结合的观念,提出的这些方法克服了传统时间序列分析技术的局限性(包括固定性和线性需求),以捕获数据中的复杂模式和隐藏模式,用来分析时间序列.在本文中,提出的混合模型的有效性由3个真实的数据集来论证:国内生产总值,月旅游者到达量以及尼泊尔日证券交易指数.每个数据集被划分成训练和测试两个样本,以评价不同模型预测的性能.训练数据集专门用于模型的开发,测试数据集用于已建立模型的评价.本论文只考虑单步预测.采用Box-Jenkins ARIMA建模方法建立三组数据集的经验模型.根据统计上有意义的5%水平下AR和MA的估计系数和优化标准来选择最适合的模型.在人工神经网络建模中,采用了多层感知器计划.该计划采用单一输入、隐藏和输出层,并采用熟知的误差逆传递的学习方法进行训练.以最小预测误差为基础,最后选择最好的神经网络模型.用于数据集估计的ARIMA和ANN模型被用来估计样本外预测误差.通过具有创新性的混合模型框架的研究,这篇论文在时间序列预测和决策领域做出了独创性和基础性的贡献.一般的,混合模型利用了ARIMA和ANN两模型在确定不同数据模式方面所特有的性质与优势,从而降低了预测序列表现混乱的风险.通常,这一模型可以应用于许多时间序列相关问题,我们希望采用这一模型可以大大地改善预测性能.实际上,由混合模型预测获得的更精确的统计数据可以用于形成政府制定短期或长期政策的前期决策.