1, 정성 예측법
사람의 과거와 현재 시스템에 대한 경험, 판단, 직관에 따라 인간의 논리적 판단을 위주로 시스템의 발전 방향, 상태, 상황 등 질적 결과만 있으면 된다. 이 방법은 내역 통계가 없는 시스템 객체에 적용됩니다.
2. 시계열 분석
시간에 따른 시스템 객체의 과거 데이터를 기준으로 시간에 따른 시스템 변수의 규칙만 고려하여 시스템의 향후 성능 시간을 정량적으로 예측합니다. 주로 이동 평균법, 지수 평활법 및 추세 외삽 법이 포함됩니다. 이 방법은 간단한 통계를 사용하여 시간에 따른 연구 대상의 변화 추세를 예측하는 데 적합합니다.
3. 인과 관계 예측
시스템 변수 사이에는 인과 관계가 있습니다. 결과에 영향을 미치는 몇 가지 요인을 찾아내 인과간 수학 모델을 만들고, 요소 변수의 변화에 따라 결과 변수의 변화를 예측하고, 시스템의 발전 방향과 구체적인 수치 변화 법칙을 예측했다.
확장 데이터:
정량적 예측 방법을 사용하여 예측할 때 예측 모델은 예측의 수학적 모델을 설정하는 가장 중요한 작업입니다. 예측 모델은 수학 언어나 공식으로 기술된 사물 사이의 수량 관계를 예측하는 것이다. 어느 정도 사물 사이의 내재적 규칙성을 드러내고, 예측 시 예측치를 계산하는 직접적인 근거로 삼는다.
따라서 예측 정확도에 큰 영향을 미칩니다. 모든 특정 예측 방법에는 고유한 수학적 모델이 있습니다. 예측 방법에는 여러 가지가 있으며, 각각 해당 예측 모델이 있습니다.
추세 외삽 예측법은 사물의 역사와 현실 데이터를 근거로 시간이 지남에 따라 변화하는 법칙을 찾아 미래 상황을 추론하는 일반적인 예측 방법이다.
추세 외삽 법의 가정은 다음과 같습니다.
(1) 사물의 발전 과정에 점프적인 변화가 없다고 가정하면, 즉 사물의 발전 변화는 점진적이다.
(2) 연구중인 시스템의 구조와 기능이 기본적으로 그대로 유지된다고 가정합니다. 즉, 과거 데이터를 기반으로 한 추세 외삽 모델이 미래에 적용될 수 있고 미래의 추세 변화를 나타낼 수 있다고 가정합니다.
위의 두 가설에서 볼 수 있듯이 추세 외삽 예측법은 사물이 점진적으로 발전하는 통계 예측 방법이다. 간단히 말해서, 수학적 모델을 사용하여 추세 라인을 맞추고 이 모델을 사용하여 미래 사물의 발전을 예측하는 것입니다.
추세 외삽 예측 방법은 주로 분산형 차트를 그리는 방법 (그래프 인식) 과 차이 방법을 사용하여 모델 선택을 계산합니다.
주요 장점은 사물의 미래 발전을 밝히고 그 기능적 특성을 정량적으로 평가할 수 있다는 것이다.
추세 외삽 예측법은 중장기 신제품 예측에 더 적합하며 최소 5 년의 데이터가 필요합니다.
조합 예측법은 같은 문제에 대해 여러 가지 예측 방법을 사용하는 것이다. 조합의 주요 목적은 다양한 방법으로 제공되는 정보를 종합적으로 활용하여 예측 정확도를 최대한 높이는 것입니다. 조합 예측에는 두 가지 기본 형식이 있습니다. 하나는 등권조합이며, 즉, 다양한 예측 방법의 예측 값을 동일한 가중치 배열에 따라 새 예측 값으로 결합하는 것입니다. 둘째, 서로 다른 예측 방법의 예측값에 서로 다른 가중치를 부여하는 불평등 가중치 조합입니다. -응?
이 두 가지 형태의 원리는 적용 방법과 정확히 같지만 가중치가 다릅니다. 경험에 따르면, 부등권 조합의 조합 예측 방법이 더 정확하다.
회귀 예측 방법은 인수와 인수 변수 간의 상관 관계를 기반으로 합니다. 인수 수는 하나 이상일 수 있습니다. 인수의 수에 따라 단변수 회귀 예측과 다변수 회귀 예측으로 나눌 수 있습니다. 또한 인수와 인수 변수의 상관 관계에 따라 선형 회귀 예측법과 비선형 회귀법으로 나눌 수 있습니다.
회귀 문제에 대한 학습은 함수 맞춤과 같습니다. 알려진 데이터에 잘 맞도록 함수 곡선을 선택하고 알 수 없는 데이터를 잘 예측할 수 있습니다.
참고 자료:
바이두 백과-예측 모델
참고 자료:
Baidu 백과 사전-질적 예측