) v8 B2 D5 J6 o4 H3 N # K; ^2 V8 B7 T. C, s7 L6 f, o•主成分分析法 / x' |, w" M! _5 m 7 x8 a: Z0 g0 P4 x8 r0 L6 T4 O9 a4 r4 F, o' ~
•模糊综合评价法( A: S+ F0 b" G# e) X* K) s% y Y
( T/ f6 I- D! q9 v
& J7 x. R, o- Y1 v5 r0 u6 t, ^•聚类分析法 . a5 o; F/ K+ f _. C( s ; L1 [& w. e4 a5 g9 ^1 \& p% X' S4 U# j' j) m
预测方法(具体见http://blog.csdn.net/sanganqi_wusuierzi/article/details/54800341)$ H9 Q& F6 |# W/ f" a! n# {2 O
2 s1 J' ~/ T1 {, [5 I) t1.插值与拟合方法:小样本内部预测; 8 `9 }: P& J: h 3 v- {! Y# ]- }( k( o! u5 E* d2.回归模型方法:大样本的内部预测; 0 w! ~ k5 T9 s: x' s) Z. z ~/ E6 a1 }. c6 z
+ ?* K5 `$ K8 f' g. X1 p+ D* {
3.灰色预测GM(1,1):小样本的未来预测; 5 l' Q5 r7 A7 @+ p# D3 @4 f7 \* e- \' g
4.时间序列方法:大样本的随机因素或周期特征的未来预测; ( U. w: t8 V2 Y; i# A: C( @' {! q2 `, E7 j' A) N/ C
8 y2 b/ W7 D% O2 ]2 u# R1 y z0 F* M
5.神经网络方法:针对大样本的内部机理复杂的数据的未来预测. - E% x D' T8 q f: \9 a& w6 Z& ], Q4 }+ M5 O
0 i- D. \0 ~& o- g( K, v$ \原文链接:https://blog.csdn.net/sanganqi_wusuierzi/article/details/54800283* |4 K/ p& z+ L V3 w$ C
& Q3 Q! B9 _' `. b1 M
7 t3 b0 H, D. K8 z4 M" U