文章目录
- 前言
- 一、灰色预测模型
- 1.概述
- 2.流程
- 3.使用情景
- 二、BP神经网络预测模型
- 三、预测题的常规套路
- 总结
前言
灰色预测适用于数据量少的情况下使用。
BP神经网络预测适合在数据量多且指标多的情况下使用。
一、灰色预测模型
1.概述
- 灰色预测是对既含有已知信息又含有不确定信息的系统进行预测，就是对在一定范围内变化的、与时间有关的灰色过程进行预测。
- 灰色预测对原始数据进行生成处理来寻找系统变动的规律，并生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。
2.流程
- 累加生成
- 建立GM（1，1）模型
- 检验预测值
3.使用情景
- 数据是以年份度量的非负数据（如果是月份或者季度数据一定要用时间序列模型）；
- 数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）；
- 数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有3期数据），要是数据期数较长，一般用传统的时间序列模型比较合适。
二、BP神经网络预测模型
阅读博客：
三、预测题的常规套路
- 看到数据后先画时间序列图并简单的分析下趋势（例如：我们上一讲学过的时间序列分解）；
- 将数据分为训练组和试验组，尝试使用不同的模型对训练组进行建模，并利用试验组的数据判断哪种模型的预测效果最好（比如我们可以使用SSE这个指标来挑选模型，常见的模型有指数平滑、ARIMA、灰色预测、神经网络等）。
- 选择上一步骤中得到的预测误差最小的那个模型，并利用全部数据来重新建模，并对未来的数据进行预测。
- 画出预测后的数据和原来数据的时序图，看看预测的未来趋势是否合理。
总结
补充阅读：【数学建模】灰色预测模型（预测）
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
