نخستین گام در مواجهه سری‌های زمانی آشوبناک که از آزمایشات و یا دیتا واقعی بدست آمده‌اند، ارائه مدلی به منظور پیش‌بینی و یا تقریب آن‌ها می‌باشد. این امر علاوه بر آن‌که امکان دست‌یابی به اطلاعاتِ تقریبی خارج از محدوده زمانی آزمایش را ممکن می‌سازد، تقریبی از اطلاعات مابین نمونه‌گیری‌‌ها را نیز فراهم می‌آورد. این موضوع برای انجام فرآیند‌هایی نظیر کاهش نویز از سری زمانی آشوبناک حیاتی می‌باشد. روش‌هایی که تاکنون برای ایجاد مدل پیش‌بینی از سری‌های زمانی آشوبناک ارائه شده‌اند را می‌توان در دو دسته کلی جامع و محلی تقسیم‌بندی نمود. در حالت کلی روش‌های محلی هزینه محاسباتی بیشتر و عملکرد بهتری را نسبت به مدل‌های جامع ارائه می‌نمایند. اما تحقیقات نشان داده‌اند که با استفاده از شبکه عصبی مصنوعی می‌توان با حفظ هزینه محاسباتی کم، مدلی جامع را ارائه نمود که عملکردی بهتر از مدل‌های محلی دارد. مدل بهبودیافته‌ای که در اینجا ارائه شده است، نسبت به دیگر مدل‌های پیش‌بینی بررسی شده علاوه بر کاهش بیشتر هزینه محاسباتی (کاهش تعداد نرون‌ها) دقت پیش‌بینی بالاتری را نیز ارائه می‌نماید. به منظور انجام مقایسه از حالت آشوبناک معادلات Lorenz استفاده شده است. این مقایسه در حالت بدون نویز و همجنین با 5 درصد نویز گاوسی افزوده شده انجام شده است.