1. 程式人生 > >數學建模——預測模型簡介

數學建模——預測模型簡介

使用 廣泛 圖像 ble 訪問 相關關系 方式 種類 系統

在數學建模中,常常會涉及一些預測類問題。預測方法種類繁多,從經典的單耗法、彈性系數法、統計分析法,到現在的灰色預測法、專家系統法和模糊數學法、甚至剛剛興起的神經元網絡法、優選組合法和小波分析法等200余種算法。下面將簡要介紹幾類預測方法:微分方程模型、灰色預測模型、差分方程預測、馬爾可夫預測、插值與擬合、神經元網絡。

一、下面是這幾種類型的使用場景對比:

模型方法

適用場景

優點

缺點

微分方程模型

因果預測模型,大多為物理、幾何方面的典型問題,其基本規律隨著時間的增長呈指數增長,根據變量個數確定微分方程模型。

適用於短、中、長期的預測,既能反映內部規律以及事物的內在關系,也嫩能夠分析兩個因素之間的相關關系,精度高便與改進。

由於反映的內部規律,方程建立與局部規律的獨立性為假定基礎,長期預測的偏差性較大。

灰色預測模型

該模型不是使用原始數據,而是通過求累加、累減、均值中的兩種或者全部方法生成的序列進行建模的方法。

不需要大量數據,一般四個數據即可,能夠解決歷史數據少、序列完整性及可靠性低的問題。

只適用於指數增長的中短期預測。

差分方程預測

常根據統計數據選用最小二乘法擬合出差分方程的系數,其穩定性依賴於代數方程的求根。

差分方程代替微分方程描述,在方程中避免了導函數,可以用叠代的方式求解。

精度較低(用割線代替切線。)

馬爾可夫預測

某一系統在已知情況下,系統未來時刻的情況只與現在時刻有關,與歷史數據無關的情況。

對過程的狀態預測效果良好,可考慮用於生產現場危險狀態的預測。

不適宜於中長期預測。

插值與擬合

適用於物體軌跡圖像的模型。例如,導彈的運動軌跡測量的預測分析。

分為曲線擬合和曲面擬合,通過找到一個函數使得擬合原來的曲線,這個擬合程度可以用一個指標來進行判斷。

神經元網絡

在控制與優化、預測與管理、模式識別與圖像處理、通信等方面有十分廣泛的應用。

多層前向BP網絡適用於求解內部機制復雜的問題,有一定的推廣、概括能力。

多層前向BP網絡學習速度較慢,訓練失敗的可能性較大。

時間序列

根據客觀事物的連續性規律,運用歷史數據,經過統計分析推測市場未來的發展趨勢。

經濟類問題中,生長曲線、指數平滑法均對短期波動把握不高,AR自回歸模型可以既考慮經濟現象在時間序列上的依存性,又考慮隨機波動的幹擾性。

經濟類問題,從長期看具有一定的規律,而短期可能受到宏觀調控、市場現時期的需求供應變化使得預測困難。

二、算法的細致講解,訪問鏈接:

1.灰色預測模型

數學建模——預測模型簡介