Статья посвящена применению нейронных обыкновенных дифференциальных уравнений (Neural ODE) для моделирования динамических систем. Рассмотрены пять методов: Neural ODE, P-Node Neural ODE + RNN, Augmented Neural ODE (ANODE), Hamiltonian Neural Networks (HNN) и Neural Controlled Differential Equations (NCDE). Проведены эксперименты на синтетических и реальных данных (влажность в г. Дели). Наилучшие результаты по точности показал метод Augmented Neural ODE, а по скорости обучения - Hamiltonian Neural Network и P-Node Neural ODE + RNN. Методы демонстрируют эффективность в задачах моделирования сложных динамических систем.