数学建模学习笔记Ⅰ预测与评价类

（一）灰色预测模型

（1）不需要很多数据（4个即可），一般是以年为单位的较为宏观的数据。
（2）只适用于中长期的预测，只适合指数增长的预测，对波动性不好的时间序列预测结果较差。
（3）GM（1,1）适用于具有较强指数规律的序列，只能描述单调变化过程。
（4）GM（1,1）使用前要先进行数据的检验与处理（级比检验）。
（4）非单调的摆动发展序列或具有饱和状态的S型序列——GM（2,1）模型或Verhulst模型。
（5）Verhulst常用于人口预测、生物生长、繁殖预测和产品经济寿命预测。
（6）一个灰色模型要经过检验才能判定其是否合理（残差，相对误差，级比偏差）。
（7）

（8）最合理的就是组合模型，也就是把上述的两种或两种以上的模型综合运用，所取得的精确度会更好，稳定性也会更好。

（二）时间序列预测模型

（1）基本特点：假定事物的过去趋势会延伸到未来；预测所依据的数据具有不规则性；撇开市场发展之间的因果关系。
（2）适用场景：国民经济市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫 灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
（3）ARIMA模型——差分整合移动平均自回归模型。
（4）平稳性：经由样本时间序列得到的拟合曲线，未来一段时间内仍能顺着现有形态的“惯性”延续下去。不平稳：利用差分法。
（5）ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为滑动平均， q为滑动平均项数，d为使之成为平稳序列所做差分次数（阶数）。
（6)

（7）平稳性检验：y_h_adf = adftest(data) %逻辑值为1则通过检验
y_h_kpss = kpsstest(data) %逻辑值为0则通过检验
（8）定阶：
1）观察法：自回归阶数看偏自相关图，滑动平均阶数看自相关图。
2）BIC准则暴力定阶。
（9）残差检验：QQ图、DW检验等。
（10）季节性时间序列模型SARIMA。
（11）缺点：不能反映事物的内在联系，不能分析两个因素的相关关系，常数的选择对数据修匀程度影响较大，不宜取得太小，只适用于短期预测；作为一个线性模型，对非线性的系统比较无力。

（三）神经网络预测模型

（1）小样本情况，无论是低维还是高维，不如SVM和贝叶斯模型低维数据。
（2）低维时序数据，小样本量，大部分情况下比不过HMM，ARIMA等。
（3）神经网络对raw data比较友好，适用于大样本预测。
（4）数据较少时：训练集 80%，测试集 20%
数据较多时：训练集70%，测试集20%，验证集10% （各集合数据无交叉）
（5）如果raw data波动不大，可以不进行归一化。
（6）测试效果不好，误差大（解决方法）：

（7）隐藏层数量经验公式：

n为输入层神经元个数,，m为输出层神经元个数，a为[1，10]之间的常数。
（8）隐藏层数量可以做灵敏度分析。
（9）看训练效果的好坏：回归图Regression，自相关图等。
（10）优点：可实现输入和输出间的任意非线性映射，适用于中长期的预测；逼近效果好，计算速度快，不需要建立数学模型，精度高；理论依据坚实，推导过程严谨，具有强非线性拟合能力。
（11）缺点：具有不可解释性，无法表达和分析被预测系统的输入和输出间的关系，预测人员无法参与预测过程；收敛速度慢，难以处理海量数据，得到的网络容错能力差。

（四）熵权法综合评价模型

（1）解决评价类赛题的关键是指标体系的构建。
（2）熵值法——完全由数据出发，具有一定逼格的确定权重的方法。
（3）优势：熵值法能克服主观赋权法的主观性，能客观、准确地评价研究对象，因此，被广泛应用于社会经济等研究领域
（4）不足之处：只从数据出发，不考虑问题的实际背景，确定权重时就可能出现与常识相悖的情况。以至于评分的时候，也会出现问题。（可以和其他评价法相结合而解决）
（5）Excel和Matlab都可以做熵权法。
（6）注意正向指标和负向指标的归一化方法有所不同。
（7）熵权法可以与灰色关联、TOPSIS、层次分析法相结合。

（五）模糊综合和灰色关联分析评价模型

（1）构成综合评价问题的五个要素分别为:被评价对象、评价 指标、权重系数、综合评价模型和评价者。
（2）raw data要先进行定量指标类型的一致化和无量纲化。如果使用极差变换法进行归一化（无量纲化），则负向指标无需再进行一致化。
（3）灰色关联分析：小样本（一般低于20个）。

（六）TOPSIS综合评价模型

（1）指标的预处理：正向化（一致化），标准化。
（2）TOPSIS不能赋予权重，一般会结合专家赋值（主观）或熵权法（客观）。