預(yù)測類算法原理詳解:https://zhuanlan.zhihu.com/p/599455922
預(yù)測類算法優(yōu)缺點總結(jié) ????
一、 灰色預(yù)測模型
二、 插值與擬合
三、 時間序列預(yù)測法
四、 馬爾科夫預(yù)測
五、 差分方程
六、 微分方程模型
七、 神經(jīng)元網(wǎng)絡(luò)
一、 灰色預(yù)測模型
適用范圍: 該模型使用的不是原始數(shù)據(jù)的序列, 而是生成的數(shù)據(jù)序列。 核心體系是 Grey Model, 即對原始數(shù)據(jù)作累加生成(或其他處理生成) 得到近似的指數(shù)規(guī)律再進(jìn)行建模的方法。
優(yōu)點: 在處理較少的特征值數(shù)據(jù), 不需要數(shù)據(jù)的樣本空間足夠大, 就能解決歷史數(shù)據(jù)少、 序列的完整性以及可靠性低的問題, 能將無規(guī)律的原始數(shù)據(jù)進(jìn)行生成得到規(guī)律較強(qiáng)的生成序列。
缺點: 只適用于中短期的預(yù)測, 只適合近似于指數(shù)增長的預(yù)測。
二、 插值與擬合
適用范圍: 適用于有物體運動軌跡圖像的模型。 如導(dǎo)彈的運動軌跡測量的建模分析。
優(yōu)點: 分為曲面擬合和曲線擬合, 擬合就是要找出一種方法(函數(shù)) 使得到的仿真曲線(曲面) 最大程度地接近原來的曲線(曲線) , 甚至重合。
這個擬合的好壞程度可以用一個指標(biāo)來判斷。
三、 時間序列預(yù)測法
適用范圍: 根據(jù)客觀事物發(fā)展的這種連續(xù)規(guī)律性, 運用過去的歷史數(shù)據(jù), 通過統(tǒng)計分析, 進(jìn)一步推測市場未來的發(fā)展趨勢。 時間序列, 在時間序列分析預(yù)測法處于核心位置。
優(yōu)點: 一般用 ARMA 模型擬合時間序列, 預(yù)測該時間序列未來值。 Daniel 檢驗平穩(wěn)性。 自動回歸 AR(Auto regressive) 和 移動平均 MA(Moving Average)預(yù)測模型。
缺點: 當(dāng)遇到外界發(fā)生較大變化, 往往會有較大偏差, 時間序列預(yù)測法對于中短期預(yù)測的效果要比長期預(yù)測的效果好。
四、 馬爾科夫預(yù)測
適用范圍: 適用于隨機(jī)現(xiàn)象的數(shù)學(xué)模型(即在已知現(xiàn)情況的條件下, 系統(tǒng)未來時刻的情況只與現(xiàn)在有關(guān), 而與過去的歷史無直接關(guān)系) 。
優(yōu)點: 研究一個商店, 在未來某一時刻的銷售額, 當(dāng)現(xiàn)在時刻的累計銷售額已知。
缺點: 不適宜用于系統(tǒng)中長期預(yù)測。
五、 差分方程
適用范圍: 利用差分方程建模研究實際問題, 常常需要根據(jù)統(tǒng)計數(shù)據(jù)用最小二乘法來擬合出差分方程的系數(shù)。
優(yōu)點: 適用于商品銷售量的預(yù)測、 投資保險收益率的預(yù)測。
缺點: 數(shù)據(jù)系統(tǒng)的穩(wěn)定性還要進(jìn)一步討論代數(shù)方程的求根。
六、 微分方程模型
適用范圍: 適用于基于相關(guān)原理的因果預(yù)測模型, 大多是物理或幾何方面的典型問題, 假設(shè)條件, 用數(shù)學(xué)符號表示規(guī)律, 列出方程, 求解的結(jié)果就是問題的答案。
優(yōu)點: 優(yōu)點是短、 中、 長期的預(yù)測都適合。 如: 傳染病的預(yù)測模型、 經(jīng)濟(jì)增長(或人口) 的預(yù)測模型、 Lanchester 戰(zhàn)爭預(yù)測模型。
缺點: 反應(yīng)事物內(nèi)部規(guī)律及其內(nèi)在關(guān)系, 但由于方程的建立是以局部規(guī)律的獨立性假定為基礎(chǔ), 當(dāng)作為長期預(yù)測時, 誤差較大, 且微分方程的解比較難以得到。
七、 神經(jīng)元網(wǎng)絡(luò)
適用范圍: 數(shù)學(xué)建模中常用的是 BP 神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的原理及其在預(yù)測中的應(yīng)用; BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及其訓(xùn)練模式; RBF 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其學(xué)習(xí)算法。
模型案例: 預(yù)測某水庫的年徑流量和因子特征值。