以下哪种人工智能模型结构适合处理具有时间序列特性的数据()。A. 多层感知机 (MLP)B. 循环神经网络 (RNN)C. 生成对抗网络 (GAN)D. 卷积神经网络 (CNN)

考查要点：本题主要考查对常见人工智能模型结构特点及适用场景的理解，特别是针对时间序列数据的处理能力。

解题核心思路：
时间序列数据具有时间依赖性（即当前时刻与之前时刻相关），需要模型能捕捉序列中的时序关系。需对比选项中各模型的核心特点，判断哪一种天然支持处理序列信息。

破题关键点：

• 循环神经网络（RNN）通过循环结构保留历史信息，天然适合处理时间序列数据。
• 其他选项（MLP、GAN、CNN）的结构特点均不直接支持时间依赖关系的建模。

选项分析

A. 多层感知机 (MLP)

• 特点：前馈神经网络，层与层全连接，无记忆能力。
• 适用场景：静态数据（如分类、回归）。
• 局限性：无法处理时间序列中“当前输出依赖历史输入”的特性。

B. 循环神经网络 (RNN)

• 特点：通过循环结构将前一步的输出作为当前步的输入，形成“记忆”。
• 适用场景：时间序列预测（如股票价格、天气预报）、自然语言处理（如文本生成）。
• 关键优势：能直接建模时间依赖关系。

C. 生成对抗网络 (GAN)

• 特点：由生成器和判别器组成，通过对抗训练生成数据。
• 适用场景：数据生成（如图像生成、数据增强）。
• 局限性：本身不处理时间序列，需结合其他结构（如RNN）。

D. 卷积神经网络 (CNN)

• 特点：通过卷积层提取空间局部特征，擅长处理网格结构数据（如图像）。
• 适用场景：图像分类、语音识别。
• 局限性：对纯时间序列数据的处理能力较弱。