مساله انتخاب ورودی برای پیش بینی سری های زمانی و شناسایی سیستم ها از مسایل بسیار مهم در مدل سازی است که نسبت به دیگر مسایل کمتر مورد توجه قرار گرفته است؛ در حالی که یکی از مهم ترین آن هاست. اهمیت مساله در این است که انتخاب ورودی مناسب می تواند عملکرد و قابلیت تعمیم مدل را تا حد زیادی بهبود بخشد و بدین طریق از بروز مساله بیش برازش جلوگیری کند، بنابراین انتخاب مناسب ورودی ها می تواند صحت مدل سازی و دقت پیش بینی را افزایش دهد. در این پایان نامه مساله انتخاب متغیرهای ورودی به منظور پیش بینی سری های زمانی مورد بحث و بررسی قرار گرفته است. همچنین سعی شده است روش هایی که برای انتخاب متغیرهای ورودی استفاده شده مورد مطالعه قرار گیرد. سری زمانی مورد مطالعه، تغییرات جفت ارز یورو اروپا- دلار آمریکا است. از آنجا که نرخ ارز یکی از مهم ترین متغیرهای بازارهای پولی و مالی است و رفتاری به ظاهر تصادفی و غیر قابل پیش بینی دارد، پیش بینی آن از مسایلی است که همواره مورد توجه بوده است. بر طبق تحقیقات انجام شده روش های خطی و غیر خطی زیادی برای مدل سازی و پیش بینی استفاده شده است. در همه این روش ها رفتار نرخ ارز یا تنها توسط مقادیر گذشته آن مدل سازی شده و یا از تغییرات سایر متغیرهای اقتصادی نیز کمک گرفته شده است. مدل هایی که به کمک سایر متغیرهای اقتصادی ساخته شده اند دقت پیش بینی بهتری از خود نشان می دهند. مساله ای که در این میان وجود دارد پیچیده تر شدن مدل سازی به دلیل چند بعدی گشتن مساله و استفاده از تعداد ورودی بسیار است. بنابراین باید از میان متغیرهای تاثیرگذار، حداقل تعداد متغیری را انتخاب کرد که منجر به پیش بینی دقیق تری می شوند. در این پایان نامه از مفهوم کنترل توجه که از سیستم بینایی انسان الهام گرفته شده است، برای حل مشکل منابع اطلاعاتی زیاد و انتخاب مناسب ترین مجموعه از میان متغیرها در پیش بینی سری زمانی استفاده شده است. نتایج پیاده-سازی به کمک یک شبکه عصبی پس انتشار خطا کارایی این روش را نشان می دهد که بسیار خوب عمل کرده است.