组合模型2（预测模型可分为哪几类？）

我用3D max2010做的模型，两个模型组合在一起，布...
模型分段数不够容易出现这种现象。
用布尔前先把物体右键转换为网格物体后再试一下。
布尔运算尽量不要用，除非需要得到很复杂的模型。
预测模型可分为哪几类？

1、趋势外推预测方法

趋势外推预测方法是根据事物的历史和现实数据，寻求事物随时间推移而发展变化的规律，从而推测其未来状况的一种常用的预测方法。

趋势外推法的假设条件是：

(1)假设事物发展过程没有跳跃式变化，即事物的发展变化是渐进型的。

(2)假设所研究系统的结构、功能等基本保持不变，即假定根据过去资料建立的趋势外推模型能适合未来，能代表未来趋势变化的情况。

由以上两个假设条件可知，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。简言之，就是运用一个数学模型，拟合一条趋势线，然后用这个模型外推预测未来时期事物的发展。

2、回归预测方法

回归预测方法是根据自变量和因变量之间的相关关系进行预测的。自变量的个数可以一个或多个，根据自变量的个数可分为一元回归预测和多元回归预测。同时根据自变量和因变量的相关关系，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：选择一条函数曲线使其很好的拟合已知数据且能很好的预测未知数据。

3、卡尔曼滤波预测模型

卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的模型，其基本思想是： 采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。 

它适合于实时处理和计算机运算。卡尔曼滤波器问题由预计步骤，估计步骤，前进步骤组成。 在预计步骤中， t时状态的估计取决于所有到t-1 时的信息。在估算步骤中， 状态更新后， 估计要于时间t的实际观察比较。更新的状态是较早的推算和新观察的综合。 置于每一个成分的权重由“ Kalmangain”（卡尔曼增益） 决定，它取决于噪声 w 和 v。（噪声越小，新的观察的可信度越高，权重越大，反之亦然）。前进步骤意味着先前的“新”观察在准备下一轮预计和估算时变成了“旧” 观察。 在任何时间可以进行任何长度的预测（通过提前状态转换）。

4、组合预测模型

组合预测法是对同一个问题，采用多种预测方法。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。组合预测有 2 种基本形式，一是等权组合， 即各预测方法的预测值按相同的权数组合成新的预测值；二是不等权组合，即赋予不同预测方法的预测值不同的权数。 这 2 种形式的原理和运用方法完全相同，只是权数的取定有所区别。 根据经验，采用不等权组合的组合预测法结果较为准确。

5、BP神经网络预测模型

BP网络（Back-ProPagation Network）又称反向传播神经网络， 通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。它是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。点击打开链接（BP神经网络预测实例）

参考资料：百度百科-趋势外推法

百度百科-回归预测法

百度百科-卡尔曼滤波法

百度百科-组合预测法

百度百科-神经网络模型

H03-0624现代售楼处接待处云朵棉花吊灯

weno两个二次多项式的加权组合，达到多少阶
1． 画出原始数据的时序图从时序图可以看出数据的基本趋势：围绕某水平线波动；围绕某直线波动；呈指数上升或下降趋势；显示出季节性等。根据图形特征初步判断序列为平稳或非平稳的。2． 如序列非平稳，通过相应的变换将其变为平稳序列线性趋势：差分； 指数趋势：先取对数再差分； 季节性：季节差分（建立季节模型）3． 检验变换后序列是否平稳看变换后序列的时序图，相关图，单位根检验，综合分析序列是否平稳。如非平稳，考虑再作一次差分。4． 对平稳序列建立ARMA模型从上一步的相关图初步识别序列应拟合那种模型。通常序列可以选择三种模型中的任意一种，因此要建立三种模型，再从残差平方和，AIC准则函数，DW统计量等指标综合判断最终选定那种模型。（注：建立每种模型时，要从低阶到高阶依次建立，直到增加模型的阶数系数不显著。）列出最终选定模型的估计结果，并画出真实值、拟合值和残差的时序图，分析拟合效果。5． 根据选定模型进行预测根据模型计算递推预测值，如果模型是对变换后的序列建立的，要预测原始序列需对模型的预测结果进行逆变换，从而得到原始序列的预测值。建立组合模型1．画出原始数据的时序图从时序图可以看出数据的基本趋势：围绕某直线波动；呈指数上升或下降趋势；显示出季节性或上面各趋势的组合等。2．对序列建立组合模型 拟合步骤：a．先拟合长期趋势（指数函数的加权、多项式函数），直至增加阶数无显著改进；b．对剔除长期趋势的残差序列再拟合循环趋势，直至增加阶数无显著改进；c．对剔除长期趋势和循环趋势的残差序列再拟合ARMA模型；d．将上述三个步骤建立的函数形式组合在一起，估计整个组合函数的参数。 最终估计结果就是我们对原始数据拟合的模型，列出估计结果，并画出真实值、拟合值和残差的时序图，分析拟合效果。3．根据模型进行预测 预测结果就是原始序列的预测值。