数学建模进阶：时间序列预测模型的评估指标

目录

一、MAE（平均绝对误差）

二、MSE（均方误差）

三、RMSE（均方根误差）

四、时间序列预测模型评估指标应用案例

ARIMA模型预测气温

LSTM模型预测股票价格

VAR模型预测货币汇率

---

随着机器学习和数据科学的快速发展，时间序列预测已经成为了许多领域的重要问题，包括金融、交通、气象、人口统计、医疗保健等。在时间序列预测中，我们通常会使用各种模型，例如ARIMA、VAR、LSTM等，来预测未来的数据趋势。然而，仅仅使用模型来预测未来的数据并不足够，我们还需要一些指标来评估预测结果的准确性和可靠性。本文将介绍三种常用的时间序列预测模型的评估指标，包括MAE、MSE、RMSE，并使用Matlab实现几个数学建模案例。

一、MAE（平均绝对误差）

平均绝对误差（Mean Absolute Error，MAE）是时间序列预测中最常用的指标之一，它衡量了预测值与真实值之间的平均绝对误差。MAE越小，说明模型的预测结果越准确。MAE的计算公式为：

$$MAE = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat y_i|$$

其中，$y_i$表示第$i$个真实值，$\hat y_i$表示第$i$个预测值，$n$表示样本数量。MAE计算的是预测值和真实值之间的绝对误差的平均值ÿ