回歸預(yù)測(cè)方法是根據(jù)自變量和因變量之間的相關(guān)關(guān)系進(jìn)行預(yù)測(cè)的。自變量的個(gè)數(shù)可以一個(gè)或多個(gè)，根據(jù)自變量的個(gè)數(shù)可分為一元回歸預(yù)測(cè)和多元回歸預(yù)測(cè)。同時(shí)根據(jù)自變量和因變量的相關(guān)關(guān)系，分為線性回歸預(yù)測(cè)方法和非線性回歸方法?；貧w問(wèn)題的學(xué)習(xí)等價(jià)于函數(shù)擬合：選擇一條函數(shù)曲線使其很好的擬合已知數(shù)據(jù)且能很好的預(yù)測(cè)未知數(shù)據(jù)。
它適合于實(shí)時(shí)處理和計(jì)算機(jī)運(yùn)算。卡爾曼濾波器問(wèn)題由預(yù)計(jì)步驟，估計(jì)步驟，前進(jìn)步驟組成。 在預(yù)計(jì)步驟中， t時(shí)狀態(tài)的估計(jì)取決于所有到t-1 時(shí)的信息。在估算步驟中， 狀態(tài)更新后， 估計(jì)要于時(shí)間t的實(shí)際觀察比較。更新的狀態(tài)是較早的推算和新觀察的綜合。 置于每一個(gè)成分的權(quán)重由“ Kalmangain”（卡爾曼增益） 決定，它取決于噪聲 w 和 v。（噪聲越小，新的觀察的可信度越高，權(quán)重越大，反之亦然）。前進(jìn)步驟意味著先前的“新”觀察在準(zhǔn)備下一輪預(yù)計(jì)和估算時(shí)變成了“舊” 觀察。 在任何時(shí)間可以進(jìn)行任何長(zhǎng)度的預(yù)測(cè)（通過(guò)提前狀態(tài)轉(zhuǎn)換）。
組合預(yù)測(cè)法是對(duì)同一個(gè)問(wèn)題，采用多種預(yù)測(cè)方法。組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預(yù)測(cè)精度。組合預(yù)測(cè)有 2 種基本形式，一是等權(quán)組合， 即各預(yù)測(cè)方法的預(yù)測(cè)值按相同的權(quán)數(shù)組合成新的預(yù)測(cè)值；二是不等權(quán)組合，即賦予不同預(yù)測(cè)方法的預(yù)測(cè)值不同的權(quán)數(shù)。 這 2 種形式的原理和運(yùn)用方法完全相同，只是權(quán)數(shù)的取定有所區(qū)別。 根據(jù)經(jīng)驗(yàn)，采用不等權(quán)組合的組合預(yù)測(cè)法結(jié)果較為準(zhǔn)確。
BP網(wǎng)絡(luò)（Back-ProPagation Network）又稱反向傳播神經(jīng)網(wǎng)絡(luò)， 通過(guò)樣本數(shù)據(jù)的訓(xùn)練，不斷修正網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)沿負(fù)梯度方向下降，逼近期望輸出。它是一種應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型，多用于函數(shù)逼近、模型識(shí)別分類、數(shù)據(jù)壓縮和時(shí)間序列預(yù)測(cè)等。點(diǎn)擊打開(kāi)鏈接（BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)實(shí)例）
根據(jù)系統(tǒng)對(duì)象隨時(shí)間變化的歷史資料，只考慮系統(tǒng)變量隨時(shí)間的變化規(guī)律，對(duì)系統(tǒng)未來(lái)的表現(xiàn)時(shí)間進(jìn)行定量預(yù)測(cè)。主要包括移動(dòng)平均法、指數(shù)平滑法、趨勢(shì)外推法等。該方法適于利用簡(jiǎn)單統(tǒng)計(jì)數(shù)據(jù)預(yù)測(cè)研究對(duì)象隨時(shí)間變化的趨勢(shì)等。
預(yù)測(cè)模型是在采用定量預(yù)測(cè)法進(jìn)行預(yù)測(cè)時(shí)，最重要的工作是建立預(yù)測(cè)數(shù)學(xué)模型。預(yù)測(cè)模型是指用于預(yù)測(cè)的，用數(shù)學(xué)語(yǔ)言或公式所描述的事物間的數(shù)量關(guān)系。它在一定程度上揭示了事物間的內(nèi)在規(guī)律性，預(yù)測(cè)時(shí)把它作為計(jì)算預(yù)測(cè)值的直接依據(jù)。
組合預(yù)測(cè)法是對(duì)同一個(gè)問(wèn)題，采用多種預(yù)測(cè)方法。組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預(yù)測(cè)精度。組合預(yù)測(cè)有 2 種基本形式，一是等權(quán)組合， 即各預(yù)測(cè)方法的預(yù)測(cè)值按相同的權(quán)數(shù)組合成新的預(yù)測(cè)值；二是不等權(quán)組合，即賦予不同預(yù)測(cè)方法的預(yù)測(cè)值不同的權(quán)數(shù)。
回歸預(yù)測(cè)方法是根據(jù)自變量和因變量之間的相關(guān)關(guān)系進(jìn)行預(yù)測(cè)的。自變量的個(gè)數(shù)可以一個(gè)或多個(gè)，根據(jù)自變量的個(gè)數(shù)可分為一元回歸預(yù)測(cè)和多元回歸預(yù)測(cè)。同時(shí)根據(jù)自變量和因變量的相關(guān)關(guān)系，分為線性回歸預(yù)測(cè)方法和非線性回歸方法。
根據(jù)系統(tǒng)對(duì)象隨時(shí)間變化的歷史資料，只考慮系統(tǒng)變量隨時(shí)間的變化規(guī)律，對(duì)系統(tǒng)未來(lái)的表現(xiàn)時(shí)間進(jìn)行定量預(yù)測(cè)。主要包括移動(dòng)平均法、指數(shù)平滑法、趨勢(shì)外推法等。該方法適于利用簡(jiǎn)單統(tǒng)計(jì)數(shù)據(jù)預(yù)測(cè)研究對(duì)象隨時(shí)間變化的趨勢(shì)等。
系統(tǒng)變量之間存在某種前因后果關(guān)系，找出影響某種結(jié)果的幾個(gè)因素，建立因與果之間的數(shù)學(xué)模型，根據(jù)因素變量的變化預(yù)測(cè)結(jié)果變量的變化，既預(yù)測(cè)系統(tǒng)發(fā)展的方向又確定具體的數(shù)值變化規(guī)律。一般因果關(guān)系模型中的因變量與自變量在時(shí)間上是同步的。
預(yù)測(cè)學(xué)是一門(mén)研究預(yù)測(cè)理論，方法，評(píng)價(jià)及應(yīng)用的新型科學(xué)，是軟件學(xué)中的重要分支?？v觀預(yù)測(cè)的思維方式，其基本理論主要有慣性原理，類推原理和相關(guān)原理。預(yù)測(cè)的核心問(wèn)題是預(yù)測(cè)的技術(shù)方法，或者說(shuō)是預(yù)測(cè)的數(shù)學(xué)模型。預(yù)測(cè)的方法種類繁多，例如灰色預(yù)測(cè)法，神經(jīng)網(wǎng)絡(luò)法等。本文將綜合數(shù)學(xué)模型使用的幾種基本的預(yù)測(cè)模型，并總結(jié)各模型的優(yōu)缺點(diǎn)和適用范圍。
