數據少什麼預測模型

1. 數據較少時可以用bp神經網路預測嗎

想做出預測，主要看你的數據能不能看出其中的規律。比如現在我給你 0， 1， 2，3 和 1, 2, 4, 8.四個點就能很簡單的看出對應關系，第二組數是以2為底數，以第一組數為冪的規律。
如果你的數據具有非常復雜的對應關系，比如現在你分類到博彩類，用神經網路理論上講是可以預測的的，很多人發了論文，講怎麼用神經網路預測雙色球什麼的。實際上效果並不是非常理想。因為內在規律太復雜，有限的數據無法透徹的歸納出來到底數據怎麼變化。這種情況下，縱使你又幾千個數據也不行。
比較保險的辦法還是用逆向工程方法建立一個一個的子模型，然後整理成一個大模型再做預測。往往會比因為數據量不夠引起的神經網路預測誤差要小得多。

2. 預測模型可分為哪幾類

1、趨勢外推預測方法

趨勢外推預測方法是根據事物的歷史和現實數據，尋求事物隨時間推移而發展變化的規律，從而推測其未來狀況的一種常用的預測方法。

趨勢外推法的假設條件是：

(1)假設事物發展過程沒有跳躍式變化，即事物的發展變化是漸進型的。

(2)假設所研究系統的結構、功能等基本保持不變，即假定根據過去資料建立的趨勢外推模型能適合未來，能代表未來趨勢變化的情況。

由以上兩個假設條件可知，趨勢外推預測法是事物發展漸進過程的一種統計預測方法。簡言之，就是運用一個數學模型，擬合一條趨勢線，然後用這個模型外推預測未來時期事物的發展。

2、回歸預測方法

回歸預測方法是根據自變數和因變數之間的相關關系進行預測的。自變數的個數可以一個或多個，根據自變數的個數可分為一元回歸預測和多元回歸預測。同時根據自變數和因變數的相關關系，分為線性回歸預測方法和非線性回歸方法。回歸問題的學習等價於函數擬合：選擇一條函數曲線使其很好的擬合已知數據且能很好的預測未知數據。

3、卡爾曼濾波預測模型

卡爾曼濾波是以最小均方誤差為估計的最佳准則，來尋求一套遞推估計的模型，其基本思想是： 採用信號與雜訊的狀態空間模型，利用前一時刻地估計值和現時刻的觀測值來更新對狀態變數的估計，求出現時刻的估計值。

它適合於實時處理和計算機運算。卡爾曼濾波器問題由預計步驟，估計步驟，前進步驟組成。 在預計步驟中， t時狀態的估計取決於所有到t-1 時的信息。在估算步驟中， 狀態更新後， 估計要於時間t的實際觀察比較。更新的狀態是較早的推算和新觀察的綜合。 置於每一個成分的權重由「 Kalmangain」（卡爾曼增益） 決定，它取決於雜訊 w 和 v。（雜訊越小，新的觀察的可信度越高，權重越大，反之亦然）。前進步驟意味著先前的「新」觀察在准備下一輪預計和估算時變成了「舊」 觀察。 在任何時間可以進行任何長度的預測（通過提前狀態轉換）。

4、組合預測模型

組合預測法是對同一個問題，採用多種預測方法。組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預測精度。組合預測有 2 種基本形式，一是等權組合， 即各預測方法的預測值按相同的權數組合成新的預測值；二是不等權組合，即賦予不同預測方法的預測值不同的權數。 這 2 種形式的原理和運用方法完全相同，只是權數的取定有所區別。 根據經驗，採用不等權組合的組合預測法結果較為准確。

5、BP神經網路預測模型

BP網路（Back-ProPagation Network）又稱反向傳播神經網路， 通過樣本數據的訓練，不斷修正網路權值和閾值使誤差函數沿負梯度方向下降，逼近期望輸出。它是一種應用較為廣泛的神經網路模型，多用於函數逼近、模型識別分類、數據壓縮和時間序列預測等。點擊打開鏈接（BP神經網路預測實例）

3. 數學建模數據缺失怎麼建立預測模型

看看你數據量有多大，如果數據量大佔缺失數據佔比不大的話，那就做個灰色把數據補上就行，
如果數據量很少，還缺失數據的話，沒辦法，不管怎麼處理都會加大誤差，反正都是要補齊數據的，你就灰色補齊就行了，如果時間性不強，就指數平滑或者移動平均