数学建模--回归与预测

//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。

用全部数据拟合一个模型，用每个病人的数据拟合一个模型并在此基础上估计总体情况，建立分段时序模型都是可行的解决方案。能够发现数据反映出来的特征并给以合理考虑，建立多种模型并互相比较，验证的论文更好一些。