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
! ~% k$ [) S4 O: k( j# L
8 R  k1 H+ }% A" I1 h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：
预测模型名称
8 P# [! W6 t9 s$ {( y% n适用范围
; B% n1 X8 a% b6 G( y( R* R优点
缺点
' x! A8 h1 N' Q灰色预测模型
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。
只适用于中短期的预测，只适合近似于指数增长的预测。
6 Q# t$ v. U' z- k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。
+ t( Z* K( x7 J  ~/ Z1 ~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。
( s9 |  _- D8 @5 X+ Y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。
& E. s: ?4 U- V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。
7 t( p' r8 m, [5 ^( g& d4 \, G8 e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。
- X5 [7 w0 F, T, x- k; p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）
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。
0 |3 e. W: t7 S. @0 b不适宜用于系统中长期预测
差分方程
5 ?2 \+ P- i5 k" @+ j' T( c0 S' j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。
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
% U! G1 p+ s9 o9 i) A$ o$ A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。
5 O) T# ?8 q( S& q/ m8 `0 U2 }% M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。
. z. d- |/ r& A/ G0 J7 f9 H# u" i神经元网络
0 v! f  X, t8 Z* n6 K1 y$ b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。
& l+ z9 ^. }7 X6 t/ aBP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。
模型案例：预测某水库的年径流量和因子特征值
————————————————
# }/ Q/ a1 W/ T7 K  @: H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。
6 U' o6 a% z# Q% f4 s$ e# S, I原文链接：https://blog.csdn.net/yijiantao/article/details/51142953