准确快速地预测时间序列是近年来研究的热点问题。由于神经网络可以任意映射复杂的非线性关系,且具有很强的记忆能力、容错能力、鲁棒性以及良好的自学习能力,使其受到越来越多的关注,而基于神经网络的时间序列预测技术也被广泛应用于各个领域,解决了许多实际工业问题。Elman网络作为递归神经网络的典型代表,内部包含反馈回路,可适应动态系统的时变特性,比仅能反映系统输入-输出映射关系的前馈神经网络更适合解决动态系统问题。然而由于其结构复杂,现有的基于梯度下降法的建模方法存在收敛速度慢、容易陷入局部最优解等问题。基于扩展卡尔曼滤波(EKF)的方法虽然提高了收敛速度,但算法中雅克比矩阵的计算通常比较复杂且耗时。本文提出一种用图形处理器(GPU)加速实现基于EKF的Elman网络并行建模方法,首先根据Elman(?)网络的结构特性和并行建模的需求,提出了一种求解雅克比矩阵的方法,该方法能够推导出其解的矩阵表达式,并可以直接针对原始网络求解,省去了将递归网络转化为前馈网络,从而简化了建模过程并有利于其并行实现。鉴于GPU高浮点计算能力及工业应用对实时性要求较高,本文用GPU加速Elman网络的建模过程,将网络训练中逻辑分支简单、计算复杂度高的任务用GPU实现,而将逻辑性强的事务处理和串行计算用CPU实现,通过GPU和CPU的协同合作提高网络建模效率。为验证本文方法的有效性,用含有高斯白噪声的Mackey-Glass时间序列和实际工业数据进行了实验,并与几种常用的时间序列预测方法作对比。实验结果表明,本文方法具有稳定性好、建模速度快、泛化能力强等优势,这种优势对非线性动态性能强且含高噪声的工业数据体现的更加明显。