离散性预测
连续型预测-时间序列分析
连续性预测-微分方程模型
深度预测模型
其他方法
预测问题的思考与操作步骤
1 数据预处理
数据缺失、数据异常、（归一化）
2 画时间序列图并简单的分析趋势；
3 根据数据特点和走势特点，确定备选模型：
月份或者季度数据90%要用时间序列模型
时间序列分析（时间序列分解、指数平滑、ARIMA模型）：
使用SPSS在指数平滑、ARIMA模型中选一，根据是否有季节数据考虑是否用时间序列分解；
数据是以年份度量的非负数据可能用灰色预测
灰色预测的使用条件：
数据是以年份度量的非负数据（如果是月份或者季度数据用时间序列模型）；
数据能经过准指数规律的检验（除了前两期外，后面至少90%的期数的光滑比要低于0.5）；
数据的期数较短且和其他数据之间的关联性不强（小于等于10，也不能太短了，比如只有3期数据），要是数据期数较长，一般用传统的时间序列模型比较合适。
万金油BP神经网络预测
4 将数据分为训练组和试验组，尝试使用不同的模型对训练组进行建模，并利用试验组的数据判断哪种模型的预测效果最好（比如我们可以使用SSE这个指标来挑选模型，常见的模型有指数平滑、ARIMA、灰色预测、神经网络等）。
5 选择上一步骤中得到的预测误差最小的那个模型，并利用全部数据来重新建模，并对未来的数据进行预测。
模型选择：AIC和BIC准则（选小原则）6 画出预测后的数据和原来数据的时序图，看看预测的未来趋势是否合理。