類神經網路可區分為前饋式(Feedforward)及回饋式(Recurrent)，前饋式的各類演算法中又以Rumelhart所提出的「倒傳遞類神經網路」(Back-propagation Neural Network, BPN)最具代表性，並有許多成功應用的實例。然而，在預測水文時間序列時，BPN通常將時間序列以區塊式輸入(相連時間的輸入串成一輸入向量)，以建立輸入—輸出間的對應關係，預測時則由「樣本比對」方式進行，因此在不同時間點預測相同的輸入資料時，BPN會產生相同的輸出，無法有效抓住水文序列的時變特性。

回饋式類神經網路(Recurrent Neural Network, RNN)藉由動態神經元(dynamic neurons)，有效學習時間序列的前後關係，並儲存早期的資訊留到以後使用。即時學習演算法(Real Time Recurrent Learning)的特性是不需要有大量的歷史資料作為訓練範例，能隨真實環境降雨逕流特性的改變作有效而迅速的學習。本研究結合回饋式類神經網路與即時學習演算法以發展一水文推估模式，並運用於大甲溪上游流量推估，其試驗測試效果良好，顯示即時回饋式類神經網路的優越能力。