回歸擬合預(yù)測

擬合預(yù)測是建立一個模型去逼近實際數(shù)據(jù)序列的過程，適用于發(fā)展性的體系。建立模型時，通常都要指定一個有明確意義的時間原點和時間單位。而且，當(dāng)t趨向于無窮大時，模型應(yīng)當(dāng)仍然有意義。將擬合預(yù)測單獨作為一類體系研究，其意義在于強調(diào)其唯“象”性。一個預(yù)測模型的建立，要盡可能符合實際體系，這是擬合的原則。擬合的程度可以用最小二乘方、最大擬然性、最小絕對偏差來衡量。

灰色預(yù)測

灰色預(yù)測是就灰色系統(tǒng)所做的預(yù)測。是一種對含有不確定因素的系統(tǒng)進行預(yù)測的方法?；疑A(yù)測通過鑒別系統(tǒng)因素之間發(fā)展趨勢的相異程度，即進行關(guān)聯(lián)分析，并對原始數(shù)據(jù)進行生成處理來尋找系統(tǒng)變動的規(guī)律，生成有較強規(guī)律性的數(shù)據(jù)序列，然后建立相應(yīng)的微分方程模型，從而預(yù)測事物未來發(fā)展趨勢的狀況。其用等時距觀測到的反映預(yù)測對象特征的一系列數(shù)量值構(gòu)造灰色預(yù)測模型，預(yù)測未來某一時刻的特征量，或達到某一特征量的時間。

馬爾科夫預(yù)測：是一種可以用來進行組織的內(nèi)部人力資源供給預(yù)測的方法.它的基本 思想是找出過去人事變動的 規(guī)律,以此來推測未來的人事變動趨勢.轉(zhuǎn)換矩陣實際上是轉(zhuǎn)換概率矩陣,描述的是組織中員工流入,流出和內(nèi)部流動的整體形式,可以作為預(yù)測內(nèi)部勞動力供給的基礎(chǔ).

BP神經(jīng)網(wǎng)絡(luò)預(yù)測

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。

支持向量機法

支持向量機(SVM)也稱為支持向量網(wǎng)絡(luò)[1]，是使用分類與回歸分析來分析數(shù)據(jù)的監(jiān)督學(xué)習(xí)模型及其相關(guān)的學(xué)習(xí)算法。在給定一組訓(xùn)練樣本后，每個訓(xùn)練樣本被標(biāo)記為屬于兩個類別中的一個或另一個。支持向量機(SVM)的訓(xùn)練算法會創(chuàng)建一個將新的樣本分配給兩個類別之一的模型，使其成為非概率二元線性分類器(盡管在概率分類設(shè)置中，存在像普拉托校正這樣的方法使用支持向量機)。支持向量機模型將樣本表示為在空間中的映射的點，這樣具有單一類別的樣本能盡可能明顯的間隔分開出來。所有這樣新的樣本映射到同一空間，就可以基于它們落在間隔的哪一側(cè)來預(yù)測屬于哪一類別。

評價問題

層次分析法

是指將一個復(fù)雜的 多目標(biāo)決策問題 作為一個系統(tǒng)，將目標(biāo)分解為多個目標(biāo)或準(zhǔn)則，進而分解為多指標(biāo)（或準(zhǔn)則、約束）的若干層次，通過定性指標(biāo)模糊量化方法算出層次單排序（權(quán)數(shù)）和總排序，以作為目標(biāo)（多指標(biāo)）、多方案優(yōu)化決策的系統(tǒng)方法。

優(yōu)劣解距離法

又稱理想解法，是一種有效的多指標(biāo)評價方法。這種方法通過構(gòu)造評價問題的正理想解和負(fù)理想解，即各指標(biāo)的最大值和最小值，通過計算每個方案到理想方案的相對貼近度，即靠近正理想解和遠(yuǎn)離負(fù)理想解的程度，來對方案進行排序，從而選出最優(yōu)方案。

模糊綜合評價法

是一種基于模糊數(shù)學(xué)的綜合評標(biāo)方法。 該綜合評價法根據(jù)模糊數(shù)學(xué)的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學(xué)對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價。 它具有結(jié)果清晰,系統(tǒng)性強的特點,能較好地解決模糊的、難以量化的問題,適合各種非確定性問題的解決。

灰色關(guān)聯(lián)分析法（灰色綜合評價法）

對于兩個系統(tǒng)之間的因素，其隨時間或不同對象而變化的關(guān)聯(lián)性大小的量度，稱為關(guān)聯(lián)度。在系統(tǒng)發(fā)展過程中，若兩個因素變化的趨勢具有一致性，即同步變化程度較高，即可謂二者關(guān)聯(lián)程度較高；反之，則較低。因此，灰色關(guān)聯(lián)分析方法，是根據(jù)因素之間發(fā)展趨勢的相似或相異程度，亦即“灰色關(guān)聯(lián)度”，作為衡量因素間關(guān)聯(lián)程度的一種方法。

典型相關(guān)分析法：是對互協(xié)方差矩陣的一種理解，是利用綜合變量對之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性的多元統(tǒng)計分析方法。它的基本原理是：為了從總體上把握兩組指標(biāo)之間的相關(guān)關(guān)系，分別在兩組變量中提取有代表性的兩個綜合變量U1和V1（分別為兩個變量組中各變量的線性組合），利用這兩個綜合變量之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性。

主成分分析法（降維）

是一種統(tǒng)計方法。通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。在用統(tǒng)計分析方法研究多變量的課題時，變量個數(shù)太多就會增加課題的復(fù)雜性。人們自然希望變量個數(shù)較少而得到的信息較多。在很多情形，變量之間是有一定的相關(guān)關(guān)系的，當(dāng)兩個變量之間有一定相關(guān)關(guān)系時，可以解釋為這兩個變量反映此課題的信息有一定的重疊。主成分分析是對于原先提出的所有變量，將重復(fù)的變量（關(guān)系緊密的變量）刪去多余，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而且這些新變量在反映課題的信息方面盡可能保持原有的信息。設(shè)法將原來變量重新組合成一組新的互相無關(guān)的幾個綜合變量，同時根據(jù)實際需要從中可以取出幾個較少的綜合變量盡可能多地反映原來變量的信息的統(tǒng)計方法叫做主成分分析或稱主分量分析，也是數(shù)學(xué)上用來降維的一種方法。

因子分析法（降維）

因子分析是指研究從變量群中提取共性因子的統(tǒng)計技術(shù)。最早由英國心理學(xué)家C.E.斯皮爾曼提出。他發(fā)現(xiàn)學(xué)生的各科成績之間存在著一定的相關(guān)性，一科成績好的學(xué)生，往往其他各科成績也比較好，從而推想是否存在某些潛在的共性因子，或稱某些一般智力條件影響著學(xué)生的學(xué)習(xí)成績。因子分析可在許多變量中找出隱藏的具有代表性的因子。將相同本質(zhì)的變量歸入一個因子，可減少變量的數(shù)目，還可檢驗變量間關(guān)系的假設(shè)。

BP神經(jīng)網(wǎng)絡(luò)綜合評價法

是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層(hide layer)和輸出層(output layer)。