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

, P5 {6 L' F+ x) a  j, M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：
% p/ q2 p! a& ?( E4 D" L预测模型名称
适用范围
优点
' U- z+ n# P: F缺点
灰色预测模型
# @$ L$ O, V3 `! 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。
3 X0 t+ c, E6 h: _& v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。
% j" Y8 H$ m$ W  V7 r只适用于中短期的预测，只适合近似于指数增长的预测。
7 n8 ?* Z/ }  _2 H* r* t6 J插值与拟合
$ A) D+ Z' c, [- ~. @2 B$ x! I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。
+ J5 }# F6 S( A4 D% _9 K时间序列预测法
9 t) J% q  C+ h2 V3 U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。
一般用ARMA模型拟合时间序列，预测该时间序列未来值。
, f( v% C4 N0 @: J- VDaniel检验平稳性。
自动回归AR(Auto regressive)和移动平均MA(Moving Average)预测模型。
" V2 B2 c3 l6 T8 r6 k" A' E7 `, }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。
+ l" Q4 ?$ t- X& x% j+ `马尔科夫预测
8 ]3 L7 {; j0 b8 W: C, I0 Y( n8 k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）
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。
不适宜用于系统中长期预测
+ h$ S7 q( O7 x9 a6 [, i$ C% h差分方程
3 O  ?. j% L- C! U! b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。
- x5 {& h' j( D1 G7 [适用于商品销售量的预测、投资保险收益率的预测。
" u4 b9 G4 Q' ~3 ?1 l$ }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
0 G0 B) |" ?" P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。
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。
* U7 v0 U6 n' w# s1 D神经元网络
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。
7 A, F6 C# ]+ S- g( w. gBP神经网络拓扑结构及其训练模式。
RBF神经网络结构及其学习算法。
2 w1 G2 I7 k2 B3 U9 V模型案例：预测某水库的年径流量和因子特征值
! }' a% W5 p$ U" x" J- ^————————————————
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。
. o, Z! V" A, S" @原文链接：https://blog.csdn.net/yijiantao/article/details/51142953

1 {/ z6 D  V9 m: u; x# ]$ s/ U