数学建模之预测模型总结

杨利霞

数学建模之预测模型总结
4 K, o& B! l7 A% h" H/ ]& x
5 {* u  I! {% n5 Q0 Y1 J+ ^基于数学建模的预测方法种类繁多，从经典的单耗法、弹性系数法、统计分析法，到目前的灰色预测法。当在使用相应的预测方法建立预测模型时，我们需要知道主要的一些预测方法的研究特点，优缺点和适用范围。下面就当下一些主要的预测方法进行总结：
5 m: Y( a0 `  R: c预测模型名称
适用范围
优点
缺点
9 R- ?; Y1 r$ j8 Z; @4 x1 L- W6 B3 |灰色预测模型
. e! H, D3 G" @6 k- h* U; Y该模型使用的不是原始数据的序列，而是生成的数据序列。核心体系是Grey Model.即对原始数据作累加生成（或其他处理生成）得到近似的指数规律再进行建模的方法。
在处理较少的特征值数据，不需要数据的样本空间足够大，就能解决历史数据少、序列的完整性以及可靠性低的问题，能将无规律的原始数据进行生成得到规律较强的生成序列。
9 ^! B4 ^/ s! H  c9 o6 h只适用于中短期的预测，只适合近似于指数增长的预测。
插值与拟合
适用于有物体运动轨迹图像的模型。如导弹的运动轨迹测量的建模分析。
分为曲面拟合和曲线拟合，拟合就是要找出一种方法（函数）使得得到的仿真曲线（曲面）最大程度的接近原来的曲线（曲线），甚至重合。这个拟合的好坏程度可以用一个指标来判断。
时间序列预测法
根据客观事物发展的这种连续规律性，运用过去的历史数据，通过统计分析，进一步推测市场未来的发展趋势。时间序列在时间序列分析预测法处于核心位置。
- j# B! {, J0 L一般用ARMA模型拟合时间序列，预测该时间序列未来值。
Daniel检验平稳性。
( b! p( _! i8 K) r自动回归AR(Auto regressive)和移动平均MA(Moving Average)预测模型。
当遇到外界发生较大变化，往往会有较大偏差，时间序列预测法对于中短期预测的效果要比长期预测的效果好。
马尔科夫预测
适用于随机现象的数学模型（即在已知现情况的条件下，系统未来时刻的情况只与现在有关，而与过去的历史无直接关系）
, J9 q, ~* b" J& u. z1 O研究一个商店的未来某一时刻的销售额，当现在时刻的累计销售额已知。
# ?7 h& G$ v% A" D不适宜用于系统中长期预测
差分方程
利用差分方程建模研究实际问题，常常需要根据统计数据用最小二乘法来拟合出差分方程的系数。
适用于商品销售量的预测、投资保险收益率的预测。
4 j  e+ m+ Y" M3 o- R数据系统的稳定性还要进一步讨论代数方程的求根。
微分方程模型
6 L* U, r6 b5 y/ s适用于基于相关原理的因果预测模型，大多是物理或几何方面的典型问题，假设条件，用数学符号表示规律，列出方程，求解的结果就是问题的答案。
优点是短、中、长期的预测都适合。如传染病的预测模型、经济增长（或人口）的预测模型、Lanchester战争预测模型。
9 Y) K5 N2 x1 q( L5 X+ y# S反应事物内部规律及其内在关系，但由于方程的建立是以局部规律的独立性假定为基础，当作为长期预测时，误差较大，且微分方程的解比较难以得到。
神经元网络
: o" x$ P' b( _. ?$ F6 r数学建模中常用的是BP神经网络和径向基函数神经网络的原理，及其在预测中的应用。
6 b! w" O  c( o6 Z4 MBP神经网络拓扑结构及其训练模式。
3 G0 Z/ c) P0 `) d0 A0 V: ?5 URBF神经网络结构及其学习算法。
( x0 s3 V4 Q( T# }) `5 c& B& A5 ^4 `模型案例：预测某水库的年径流量和因子特征值
————————————————
2 i4 X  K9 K3 B4 G版权声明：本文为CSDN博主「JIANTAO_YI」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/yijiantao/article/details/51142953
, A  ?9 r  J) R6 B. v7 P
7 v1 T- u# }: E& N0 P" R) l