随着人类数据获取能力的提高,社会各行各业已经积累了大量的测量数据。如何从这些海量的数据中发现并挖掘事物发展的内在规律,预测未来某个时期的发展趋势或状态是数据科学和预测研究的核心问题。数据预测主要包括确定性预测和非确定性预测两类。确定性预测主要应用于确定性数据的分类和回归两类问题,非确定性预测应用于实际问题中存在不确定因素的情形,不同于确定性预测的点估计,非确定性预测主要以预测区间来评估预测的准确性和不确定性。本文基于人工神经网络模型研究数据预测方法,主要内容如下:一、结合深度置信网络（DBN）和鲸鱼优化算法（WOA）的分类预测。利用深度学习技术的逐层训练机制学习深层非线性网络,实现复杂函数逼近的特性,以深度置信网络（DBN）为基础,通过改进鲸鱼优化算法（WOA）建立确定性数据预测的DBN-WOA模型,进行分类问题的确定性预测与评价。首先,构建含有1个输入层、2个隐含层和1个输出层的深度置信网络,使用Sigmoid激活函数计算隐含层和输出层的输出向量。其次,以当前分类预测的准确率为优化目标,使用WOA优化DBN相邻层之间的权值矩阵和偏置向量,获得满足置信水平的DBN。最后,选用3组数据做案例研究,比较DBN-WOA模型、经典的DBN模型、BP模型和LSTM模型的分类准确率。结果表明,与其它三种模型相比,DBN-WOA模型准确率更高,泛化能力更强,是一种可靠的数据分类预测模型。二、基于DBN和WOA的回归预测。将DBN-WOA模型中网络输出层的Sigmoid激活函数变为线性激活函数,如pureline函数,进行确定性数据的回归预测,以预测误差作为优化目标,通过WOA优化DBN网络,提高预测精度。选用3组数据进行案例研究,同样比较DBN-WOA模型、经典的DBN模型、BP模型和LSTM模型对相同数据的回归误差。结果表明,基于群智能算法的DBN-WOA模型回归精度低于基于梯度下降算法的其它模型。三、基于双输出前馈神经网络（DFNN）、WOA和上下界估计（LUBE）方法的区间预测。针对数据预测的不确定性,结合WOA、DFNN和LUBE方法设计了一种新的区间预测模型WDL。首先,构建双输出前馈神经网络,以较大输出作为预测区间的上界,较小输出作为预测区间的下界。其次,以区间覆盖宽度准则（CWC）作为网络优化目标,针对其非连续、非可微的特征,通过改进鲸鱼优化算法优化双输出前馈神经网络的参数。最后,通过10组通用数据集评估WDL模型的预测性能,并与 GDL（GA+DFNN+LUBE）和 PDL（PSO+DFNN+LUBE）模型进行比较;进一步,通过数据集分区技术探究数据降噪对WDL模型预测性能的影响。结果表明,WDL模型能够获得更高的预测区间覆盖率和更窄的预测区间归一化平均宽度,显著降低数据预测的不确定性,提高预测的准确度,改善不确定性预测模型的性能。