W pierwszej kolejności nietrudno zauważyć bardzo dużą rozpiętość błędów szacowania przyszłej wartości estymatora przez sieć neuronową - pomyłki wahają się od kilku do nawet prawie 100% rzeczywistej wartości. Ciekawe przy tym jest to, że różnica stopniowo rośnie w miarę jak obliczane są kolejne przybliżenia. Algorytm aproksymacji liniowej nie daje tych efektów. Odpowiedzi uzyskane przy jego pomocy są obarczone zdecydowanie mniejszymi błędami -- w przeprowadzonym teście przewidywana wartość nie różni się od rzeczywistej w jego wypadku o więcej niż 60%. Nie występuje również efekt narastania wielkości błędu.
Przyczyną obserwowanej różnicy może być budowa sieci neuronowej. Wykorzystana sieć ze względów wydajnościowych jest niewielka (w sumie kilkadziesiąt neuronów) oraz płaska (tylko 4 warstwy). Ponadto proces uczenia się był stosunkowo krótki w porównaniu z etapem szacowania. W rezultacie być może sieć nie wystarczająco dobrze się zaadaptowała, dając dobre odpowiedzi dla kilkunastu pierwszych testowanych wartości.
Poprawienie odpowiedzi sieci dla większej ilości danych wymagałoby jednak bardziej wnikliwej analizy jej zachowania oraz testów zdecydowanie różnych profili danych. Porównując kilkanaście pierwszych odpowiedzi można mieć nadzieję, że w ogólności sieć mogłaby dawać dużo lepsze szacunki, kosztem jednak skomplikowania procesu uczenia i przetwarzania danych. Zagadnienie to jest ciekawym problemem badawczym i może być rozwijane w niezależnych opracowaniach.
Ze względu na prostotę i dobre w stosunku do sieci neuronowej przewidywania algorytmu aproksymacji liniowej w dalszych testach pracy modułu decydenta oparto się na tym właśnie sposobie szacowania przyszłej wartości estymatora I.
Należy jednak w tym miejscu zauważyć jeszcze jeden fakt. Zastosowanie sieci neuronowej do analizy ciągu parametrów zmiennych w czasie nie wymaga znajomości rozkładu statystycznego badanych danych i może doprowadzić do wykrycia przez sieć pewnych regularności w wielkości generowanego ruchu przez poszczególne komputery. Fakt, że sieć neuronowa nie znajduje jakiejś reguły może z jednej strony oznaczać niewystarczające dostrojenie parametrów sieci, lecz z drugiej świadczyć o stochastycznym charakterze badanego zjawiska. W testowanej sytuacji badano tylko jeden komputer, którego zachowanie symulowano w dużej mierze losując wielkości parametrów transmisji. W rezultacie sieć nie wypadła lepiej na tle algorytmu aproksymacji liniowej. Można mieć jednak uzasadnione podejrzenia, że w przypadku rzeczywistych komputerów w pracującej sieci wynik dla sieci neuronowej będzie zdecydowanie lepszy.