回歸預(yù)測方法是根據(jù)自變量和因變量之間的相關(guān)關(guān)系進行預(yù)測的。自變量的個數(shù)可以一個或多個，根據(jù)自變量的個數(shù)可分為一元回歸預(yù)測和多元回歸預(yù)測。同時根據(jù)自變量和因變量的相關(guān)關(guān)系，分為線性回歸預(yù)測方法和非線性回歸方法。回歸問題的學(xué)習(xí)等價于函數(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)測未知數(shù)據(jù)。

　　它適合于實時處理和計算機運算。卡爾曼濾波器問題由預(yù)計步驟，估計步驟，前進步驟組成。 在預(yù)計步驟中， t時狀態(tài)的估計取決于所有到t-1 時的信息。在估算步驟中， 狀態(tài)更新后， 估計要于時間t的實際觀察比較。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）。前進步驟意味著先前的“新”觀察在準(zhǔn)備下一輪預(yù)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(yù)測（通過提前狀態(tài)轉(zhuǎn)換）。

　　組合預(yù)測法是對同一個問題，采用多種預(yù)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(yù)測精度。組合預(yù)測有 2 種基本形式，一是等權(quán)組合， 即各預(yù)測方法的預(yù)測值按相同的權(quán)數(shù)組合成新的預(yù)測值；二是不等權(quán)組合，即賦予不同預(yù)測方法的預(yù)測值不同的權(quán)數(shù)。 這 2 種形式的原理和運用方法完全相同，只是權(quán)數(shù)的取定有所區(qū)別。 根據(jù)經(jīng)驗，采用不等權(quán)組合的組合預(yù)測法結(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、模型識別分類、數(shù)據(jù)壓縮和時間序列預(yù)測等。點擊打開鏈接（BP神經(jīng)網(wǎng)絡(luò)預(yù)測實例）

　　根據(jù)系統(tǒng)對象隨時間變化的歷史資料，只考慮系統(tǒng)變量隨時間的變化規(guī)律，對系統(tǒng)未來的表現(xiàn)時間進行定量預(yù)測。主要包括移動平均法、指數(shù)平滑法、趨勢外推法等。該方法適于利用簡單統(tǒng)計數(shù)據(jù)預(yù)測研究對象隨時間變化的趨勢等。

　　預(yù)測模型是在采用定量預(yù)測法進行預(yù)測時，最重要的工作是建立預(yù)測數(shù)學(xué)模型。預(yù)測模型是指用于預(yù)測的，用數(shù)學(xué)語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)測時把它作為計算預(yù)測值的直接依據(jù)。

　　組合預(yù)測法是對同一個問題，采用多種預(yù)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(yù)測精度。組合預(yù)測有 2 種基本形式，一是等權(quán)組合， 即各預(yù)測方法的預(yù)測值按相同的權(quán)數(shù)組合成新的預(yù)測值；二是不等權(quán)組合，即賦予不同預(yù)測方法的預(yù)測值不同的權(quán)數(shù)。

　　回歸預(yù)測方法是根據(jù)自變量和因變量之間的相關(guān)關(guān)系進行預(yù)測的。自變量的個數(shù)可以一個或多個，根據(jù)自變量的個數(shù)可分為一元回歸預(yù)測和多元回歸預(yù)測。同時根據(jù)自變量和因變量的相關(guān)關(guān)系，分為線性回歸預(yù)測方法和非線性回歸方法。

　　根據(jù)系統(tǒng)對象隨時間變化的歷史資料，只考慮系統(tǒng)變量隨時間的變化規(guī)律，對系統(tǒng)未來的表現(xiàn)時間進行定量預(yù)測。主要包括移動平均法、指數(shù)平滑法、趨勢外推法等。該方法適于利用簡單統(tǒng)計數(shù)據(jù)預(yù)測研究對象隨時間變化的趨勢等。

　　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)測結(jié)果變量的變化，既預(yù)測系統(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間上是同步的。

　　預(yù)測學(xué)是一門研究預(yù)測理論，方法，評價及應(yīng)用的新型科學(xué)，是軟件學(xué)中的重要分支。縱觀預(yù)測的思維方式，其基本理論主要有慣性原理，類推原理和相關(guān)原理。預(yù)測的核心問題是預(yù)測的技術(shù)方法，或者說是預(yù)測的數(shù)學(xué)模型。預(yù)測的方法種類繁多，例如灰色預(yù)測法，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)測模型，并總結(jié)各模型的優(yōu)缺點和適用范圍。