Neuronale Netze haben sich als geeignet erwiesen, nicht offensichtliche Zusammenhänge komplexer Systeme bis hin zum deterministischen Chaos vergleichsweise gut zu adaptieren und zu verallgemeinern. Prinzipiell können Neuronale Netze beliebige Abbildungen nach einer gewissen Trainingsphase approximieren.
Insbesondere bei der Analyse und Vorhersage von Zeitreihen sind Neuronale Netze eine Alternative zu den klassischen Verfahren. So werden Neuronale Netze bereits heute zur Bedarfsberechnung z.B. für Fernwärme oder elektrischen Strom sowie zur Bestimmung volkswirtschaftlicher Kenngrößen kommerziell eingesetzt [1], [2], [3].
Neuronale Netze lernen durch Präsentation diskreter Funktionswerte,
eine den Werten zugrundeliegende Abbildung zu approximieren.
Bei der Vorhersage von Zeitreihen lernt das Netz anhand von Werten aus der Vergangenheit,
dem sogenannten Trainingsset.
Bei Eingabe von 
aufeinanderfolgenden Werten soll der Wert zum Zeitpunkt 
als Ergebnis der Abbildung in der Output-Schicht erscheinen.
Es wird solange die komplette Trainingsmenge gelernt,
bis der Abbildungsfehler unter eine gewisse Schranke gesunken ist.
Ein solcher Durchgang wird als Epoche bezeichnet.
Zur Vorhersage kann das so trainierte Netz eingesetzt werden,
indem die letzten bekannten Werte eingegeben werden
und das Netz den Wert für bestimmt.
Ein zur Prognose häufig gewählter Ansatz ist das Feedforward Multilayer Perceptron (FMP) Netzwerk mit der Backpropagation-Lernregel [4]. Das Trainieren dieses Netzwerktyps erfordert einen hohen Rechenzeitaufwand, der sich mit einer effizienten Parallelisierung des Lernvorgangs signifikant verringern läßt.