关于回归预测的一点看法

smith

本人是做机械状态监控，诊断，预测的，目前在研究基于历史数据的非线性时序预测，关于使用机器学习，计算统计，人工智能算法做分类，回归预测问题已经有了很多讨论，这里我想重点和大家讨论一下回归预测问题，很多的文献只是把预测曲线和实际曲线作比较，但很少讨论不确定边界的问题，在时序预测研究中如何给出不确定边界，很想和同仁们讨论一下，也就是预测的点估计和区间估计，如何在预测值的基础上得到其预测偏差，如何定量不确定边界的置信度等，这些在实际应用中是重要的，毕竟给出预测区间比预测值本身更有意义，希望和大家讨论。

frogfish

在早期的空间数据不确定性处理中，通常假设已经检核了属性数据，并把属性不确定性和位置不确定性隔离讨论。这造成地理空间数据不确定性研究的重点主要基于分析位置的不确定性，而对属性数据不确定性的研究相对较少。随着GIS研究与应用的不断深入，目前属性不确定性研究异常活跃，人们引入一些新的数学理论，如模糊数学、粗集理论、证据理论和云理论等，来研究不能精确描述的属性不确定性。主要的研究成果有：基于高斯分布的分类数据不确定性自回归模型；基于知识推理的遥感数据解译不确定性模型；数据分类和边界划分不确定性模糊数学模型；从区域分类不确定性、边界定位误差和区域内部定量属性数据的抽样误差出发，综合进行属性数据不确定性的度量和传播分析；从遥感数据中提取DEM的不确定性；用模糊数学方法研究边界分类和连续变量的不对称边界模型等

摘自：《地理空间数据不确定性与研究进展》一文

longtang731

根据具体预测物理量的意义，给出概率论中的一些预测分布曲线。
比如从当前预测点预测剩余寿命还有30天，那么这个预测30天为均值，也就是期望，进而规定合理的方差就可以得到一个分布曲线

泪盈点心

:@) :@) :@) :@) 貌似这个不确定边界 用云模型可以解决  云模型由期望，熵和超熵三个参数设定形成  具体的我就不多说那么多了  很多关于云理论的论文  一看就明白