数学建模之预测模型总结_数模比赛预测温度的模型

预测模型名称	适用范围	优点	缺点
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。
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。	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。
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。	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。 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。
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。	不适宜用于系统中长期预测
差分方程	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	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。
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。 BP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

总结:

• 函数式编程其实

真题解析、进阶学习笔记、最新讲解视频、实战项目源码、学习路线大纲
详情关注公中号【编程进阶路】

是一种编程思想，它追求更细的粒度，将应用拆分成一组组极小的单元函数，组合调用操作数据流；

• 它提倡着 纯函数 / 函数复合 / 数据不可变， 谨慎对待函数内的 状态共享 / 依赖外部 / 副作用；

Tips:

其实我们很难也不需要在面试过程中去完美地阐述出整套思想，这里也只是浅尝辄止，一些个人理解而已。博主也是初级小菜鸟，停留在表面而已，只求对大家能有所帮助，轻喷🤣；

我个人觉得: 这些编程范式之间，其实并不矛盾，各有各的 优劣势。

理解和学习它们的理念与优势，合理地 设计融合，将优秀的软件编程思想用于提升我们应用；

所有设计思想，最终的目标一定是使我们的应用更加 解耦颗粒化、易拓展、易测试、高复用，开发更为高效和安全；