//2014年5月6日
回归与预测是数学建模的一大类问题。其主要思路有基于模型和基于数据两大类。
基于模型:
即利用先验知识建立模型,再用模型 learn 这些数据,得出参数。
1)微分方程模型。
2)如bayes网络,马尔科夫链,条件随机场,HMM等
3)其他模型
基于数据:
插值与拟合 | 回归模型 | 灰色预测 | 模糊评价 | 时间序列 | 神经网络 |
小样本内部预测 | 大样本内部预测 | 小样本未来预测 | 定性,定量结合 | 较长时间的数据,大样本的随机因素或周期特征未来预测 | 大样本未来预测 |
拟合:
compertz曲线 与 修正指数曲线 与 logistic曲线
灰色预测方法:
通常用于数据不足或者缺失的情况。
时间序列:
(如果在预测时间范围以内,无突然变动且随机变动的方差较小,并且有理由认为过去和现在的演变趋势将继续发展到未来,可用一些经验方法继续预测)
(当时间序列的数值由于受周期变动和不规则变动的影响,起伏较大,不易显示出发展趋势时,可用移动平均法,消除这些因素的影响,预测序列的长期趋势)
(用移动平均法作为预测值,关于N的取值,应比较若干,选取误差最小者)
(趋势移动法:做二次移动平均,防止当序列直线增加减少时出现的滞后偏差。另外它可以分离出直线趋势与周期波动)
(指数平滑法:解决高次移动平均法不能保证权数合理性的问题)
(机器学习,参数选择,自适应滤波)
(分段时序模型例子:修正指数曲线的三合法,)
(compertz曲线 与 修正指数曲线 与 logistic曲线 的检验法)
(对序列进行平稳时间序列 验证 ,如此可用 ARMA 模型)
(平常遇到的序列,可用box-jenkins方法,消除趋势性,季节性,变换成平稳序列)
(得出模型后应用 卡方检验 检验)
神经网络方法:
得到的结果难以保证全局最优,而且对变量之间的关系难以做深入分析与讨论。
国赛题目:
2005A:
作者认为长江水质具有很强的随机性,其变化态势与现在某一状态有关,在没有大规模意外事件发生的情况下可以认为是一个平稳过程。用马尔科夫过程理论模型。为了深入分析长江总流量与总废水量的关系,作者建立了自滑动回归模型,进行预测。
2006B:
简单的微分方程模型在精度上难以满足要求,复杂的微分方程在确定参数,求解时,都面临较大困难。