A time series that is established by a measured signal of a dynamic system, for example a quotation curve on the stock market, is modelled according to its probability density in order to be able to make a prediction of future values. A non-linear Markov process of the order m is suited for describing the conditioned probability densities. A neural network is trained according to the probabilities of the Markov process using the maximum likelihood principle, which is a training rule for maximizing the product of probabilities. The neural network predicts a value in the future for a prescribable number of values m from the past of the signal to be predicted. A number of steps in the future can be predicted by iteration. The order m of the non-linear Markov process, which corresponds to the number of values from the past that are important in the modelling of the conditioned probability densities, serves as parameter for improving the probability of the prediction.

Uma série de tempo que seja estabelecida por um sinal medido de um sistema dinâmico, para o exemplo uma curva da citação no mercado conservado em estoque, é modelada de acordo com sua densidade da probabilidade a fim poder fazer uma predição dos valores futuros. Um processo non-linear de Markov da ordem m é servido descrevendo as densidades condicionadas da probabilidade. Uma rede neural é treinada de acordo com as probabilidades do processo de Markov usando o princípio da probabilidade máxima, que é uma régua do treinamento para maximizing o produto das probabilidades. A rede neural prediz um valor no futuro para um número prescribable dos valores m do passado do sinal ser predito. Um número de etapas no futuro podem ser preditas pela iteração. A ordem m do processo non-linear de Markov, que corresponde ao número dos valores do passado que são importantes em modelar das densidades condicionadas da probabilidade, serve como o parâmetro para melhorar a probabilidade da predição.