几种一般预测模型
1 .趋势外推预测方法
趋势外推预测方法是基于事物历史和现实数据，寻求事物随时间发展变化的规律，进而推测其未来状况的常用预测方法。
外推法的前提条件如下
(1)假设事物的发展过程中没有突飞猛进的变化，即事物的发展变化是渐进的。
)假设所研究的系统的结构、功能等基本一定。 也就是说，假设基于过去资料建立的趋势外推模型适合未来，能够表示未来趋势的变化。
通过以上两个假设条件可以看出，趋势外推预测法是事物发展渐进过程的一种统计预测方法。 简单地说，用数学模型拟合趋势线，并用该模型外推预测未来事物的发展。
趋势外推预测法主要采用绘制散点图的方法(图形识别)和差分法计算进行模型选择。
主要优点是可以明确事物发展的未来，定量评价其功能特性。
趋势外推预测法适合中长期新产品预测，需要至少5年的数据资料。
2 .回归预测方法
回归预测方法是根据自变量和因子之间的相关关系进行预测。 自变量的个数可以是一个或多个，根据自变量的个数分为一元回归预测和多元回归预测。 同时，根据自变量与因子的相关关系，可分为线性回归预测方法和非线性回归方法。 回归问题的学习等价于函数拟合。 选择函数曲线，使其能较好地拟合已知数据，较好地预测未知数据。
3 .卡尔曼滤波预测模型
卡尔曼滤波器是以最小二乘误差为估计的最佳标准，求出递归估计的模型，其基本思想是利用信号和噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值更新状态变量的估计值，求出出现时刻的估计值。
适用于实时处理和计算机运算。 卡尔曼滤波问题由估计步骤、估计步骤、前进步骤组成。 在预测步骤中，t时状态的估计取决于t-1时之前的所有信息。 在估计步骤中，估计状态更新后与时间t的实际观察比较相关。 更新的状态是早期估计和新观察的综合。 分配给每个分量的权重由“Kalmangain”(卡尔曼增益)决定，取决于噪声w和v。 (噪声越小，新观察的可信度越高，权重越大，反之亦然。 进一步意味着以前的“新”观察在准备下一次预计和估计时变成了“旧”观察。 可以在任意时间进行任意长度的预测(根据早期状态转移)。
自适应卡尔曼滤波器的主要优点是获得预测起始点所需的数据量少。 数据量大的话结果会变好，但是可以自我调节，可以从连续的观察中自动设定参数。 缺点是考虑复杂性的能力有限，有时会收敛慢或者不收敛。 (有判断是否收敛的正式标致。
4 .组合预测模型
组合预测法针对同一问题，采用多种预测方法。 组合的主要目的是综合利用各种方式提供的信息，尽可能提高预测精度。 组合预测有两种基本形式，一种是等权组合，即各预测方法的预测值采用相同的权重数组合成新的预测值； 二是不等权组合，即对不同预测方法的预测值赋予不同权重。 这两种形式的原理和运用方法完全相同，但权重的取法有差异。 经验表明，采用不等权组合的组合预测法结果比较准确。
5.BP神经网络预测模型
BP网络(Back-ProPagationNetwork )又称为反向传播神经网络，通过对样本数据的训练，不断修正网络权值和阈值，使误差函数沿负梯度方向下降，接近期望输出。 这是一种应用比较广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时序预测等。 打开链接(BP神经网络预测示例) )。