在数学建模、论文研究和实际数据分析中，"预测"一直是最常见的问题之一。但面对不同类型的数据，预测方法并不相同。有的数据具有明显时间趋势，有的数据存在周期变化，有的数据样本较少，还有的数据受到多个因素共同影响。因此，选择合适的预测模型，是建模分析中的关键一步。
本文将系统介绍数学建模和科研中常用的预测类模型，包括指数平滑法、 ARIMA 模型、SARIMA 模型、灰色预测模型、VAR 模型、机器学习预测模型。帮助大家建立完整的预测模型选择思路。
一、预测模型类型
预测模型可以分为时间序列预测、小样本预测、多变量动态预测以及机器学习预测四大类，如下表所述：
|---------|--------------------|--------------|
| 类型 | 代表方法 | 特点 |
| 时间序列预测 | 指数平滑法、ARIMA、SARIMA | 利用历史时间规律预测未来 |
| 小样本预测 | 灰色预测 | 适合数据少、信息不足情况 |
| 多变量动态预测 | VAR | 研究多个变量相互影响 |
| 机器学习预测 | 随机森林、XGBoost、神经网络 | 适合复杂非线性关系 |
- 时间序列预测： 以指数平滑法、ARIMA、SARIMA为代表，依靠历史时间规律实现未来预测；
- **小样本预测：**典型方法为灰色预测，适用于数据量少、信息不足的场景；
- **多变量动态预测：**常用 VAR 模型，用于分析多个变量之间的相互影响关系；
- **机器学习预测：**包含随机森林、XGBoost、神经网络等算法，擅长处理复杂的非线性关系，不同类型模型适配不同的数据特征与研究场景。
下面分别介绍。
二、指数平滑法
指数平滑法是一类基于历史数据加权平均的预测方法。核心思想是越接近当前的数据，对未来预测越重要。例如预测2026年销量：2025年的销量权重最高，2024年的销量权重降低，更早年份影响进一步减少。
1、指数平滑法类型
指数平滑法根据数据特征可分为三类：一次、二次、三次指数平滑。现代时间序列分析中也叫：
- 简单指数平滑（Simple Exponential Smoothing, SES）
- Holt线性趋势指数平滑（Holt's Linear Trend）
- Holt-Winters季节指数平滑（Holt-Winters Exponential Smoothing）
|------------------|-------------|----------------|
| 方法 | 考虑因素 | 适用场景 |
| 简单指数平滑 | 水平项 | 无趋势、无季节性的平稳序列 |
| Holt趋势指数平滑 | 水平项+趋势项 | 具有长期增长或下降趋势的数据 |
| Holt-Winters指数平滑 | 水平项+趋势项+季节项 | 具有周期性波动的时间序列 |
（1 ）简单指数平滑
仅考虑序列的水平（Level）成分，通过对历史数据进行加权平均预测未来值，适用于无明显趋势和季节波动的平稳时间序列。
（2 ）Holt 线性趋势指数平滑
在水平项基础上进一步引入趋势（Trend）成分，能够捕捉数据长期上升或下降趋势，适用于具有线性增长或下降趋势、但不存在明显季节性的时间序列。
（3 ）Holt-Winters 季节指数平滑
在水平项和趋势项基础上增加季节（Seasonal）成分，能够同时刻画趋势变化和周期性波动，适用于具有明显季节规律的时间序列数据，如月度销售量、季度需求量等。如果不知道自己的数据适合哪一种平滑方法，SPSSAU进行指数平滑法时会自动运行三种平滑方法，选择最优效果时对应的平滑方法。
2、核心参数
指数平滑法模型主要涉及两个参数：初始状态值 S0 （反映序列起始水平）和平滑系数alpha（控制历史信息衰减速度，0<α<1）。用于确定预测模型的初始状态和对过去观察值的权重。说明如下表：
|-----------|-------------------------------------------------------|
| 参数 | 说明 |
| 初始值S0 | 样本<10，则取前3期平均值 |
| 初始值S0 | 10≤样本<20，取前2期平均值 |
| 初始值S0 | 样本>20，取前1期（第1期）平均值 |
| 初始值S0 | 如果不设置，SPSSAU自动按上述标准进行 |
| 平滑系数alpha | 数据波动大则alpha取0.1~0.5之间 |
| 平滑系数alpha | 数据波动小则alpha取0.6~0.8之间 |
| 平滑系数alpha | 如果不设置alpha，SPSSAU默认会遍历各种alpha取值时数据效果，选择最优效果时对应的alpha值 |
- 如果不设置初始值S0，SPSSAU自动按照样本量情况设置初始值S0；
- 如果不设置平滑系数alpha，SPSSAU自动遍历各种alpha取值情况，并且选择最优效果时对应的alpha值。
3、指数平滑法软件操作
（1 ）案例
现有2013------2025年共计13年的出生人口（万人）时间序列数据，现使用指数平滑法模型进行2026年的出生人口数预测，整理数据如下：
（2 ）软件操作
将数据上传至SPSSAU平台，在【综合评价】模块选择【指数平滑】，拖拽时间序列数据至右侧分析框中，研究人员可自行选择参数，若不选择，SPSSAU将智能地找到最佳模型，操作如下图：
（3 ）分析结果
SPSSAU输出指数平滑法分析结果如下：
借助 SPSSAU 软件自动筛选最优模型参数，确定初始值S0为 1836.795，平滑系数alpha取0.500，选用二次指数平滑，以此获取最优预测结果。
指数平滑法详细说明及案例操作解读请点击查看下方帮助手册：
三、ARIMA模型
ARIMA是处理非平稳单变量时间序列的基准模型。其核心思想是：通过差分运算消除趋势性，再结合自回归（AR）与移动平均（MA）成分捕捉序列的线性动态结构。
1、ARIMA模型核心参数
ARIMA模型表示为ARIMA(p, d, q)，有三个核心参数：自回归阶数p，差分阶数d值和移动平均阶数q，说明如下：
- p **（自回归阶数）：**表示当前时刻的取值受到过去 p 期观测值的影响，用于描述序列自身历史信息对当前值的作用。
- d **（差分次数）：**表示将非平稳序列转化为平稳序列所需要进行的差分次数，用于消除数据中的趋势变化。
- q **（移动平均阶数）：**表示当前值受到过去 q 期随机误差（预测误差）的影响，用于刻画历史预测偏差对当前值的修正作用。
在实际分析中，ARIMA模型参数（p，d，q）的确定往往是建模过程中的难点。一般情况下，研究人员需要结合PACF图、ACF图判断p和q值，通过ADF检验确定差分阶数d值。可在SPSSAU中进行分析。
为降低参数选择难度，SPSSAU提供智能化参数推荐功能，可根据数据特征自动给出p、q候选值及最佳差分阶数d建议，帮助用户快速完成模型构建。
2、ARIMA模型软件操作
（1 ）软件操作
将数据整理成上述格式，上传至SPSSAU平台，在【计量经济研究】模块选择【ARIMA预测】，拖拽时间序列数据至右侧分析框中，研究人员可自行选择参数pdq，若不选择，SPSSAU将智能地找到最佳模型，操作如下图：
（2）分析结果
SPSSAU输出ARIMA模型分析结果如下：
针对当年出生人口（万人），结合AIC信息准则（该值越低越好），SPSSAU自动对多个潜在备选模型进行建模和对比选择，最终找出最优模型为：ARMA(0,1,0)，其模型公式为：y(t)=-82.025。
ARIMA预测详细说明及案例操作解读请点击查看下方帮助手册
四、季节性SARIMA模型
SARIMA是ARIMA的自然延伸，在非季节部分基础上增加季节性自回归、差分和移动平均分量，记作SARIMA(p,d,q)(P,D,Q)s，其中 s 为周期长度（如季度s=4，月度s=12）。
1、核心参数
在SARIMA模型构建过程中，SPSSAU支持智能优选AR、差分 I 以及MA相关阶数，自动输出最优模型以及对应的预测结果。与此同时，软件也允许研究人员自主设定参数开展手工建模。SARIMA模型具体参数说明如下：
|--------|-----------------------------------------|
| 参数 | 说明 |
| p | 非季节自回归（AR）项阶数，反映当前观测值与前p个非季节性历史观测值的相关程度 |
| d | 非季节差分阶数，指将原始时间序列转换为平稳序列所需做的非季节性差分次数 |
| q | 非季节移动平均（MA）项阶数，反映当前观测值与前q个非季节性观测残差的相关程度 |
| P | 季节自回归项阶数，刻画当前观测值与前P个季节周期对应历史观测值的相关性 |
| D | 季节差分阶数，为消除序列季节成分所需要执行的季节差分次数 |
| Q | 季节移动平均项阶数，刻画当前观测值与前Q个季节周期对应观测残差的相关性 |
| S | 季节周期长度，代表一组完整季节循环对应的时间步长 |
2、SARIMA模型软件操作
（1 ）软件操作
上传季节性数据至SPSSAU平台，在【计量经济研究】模块选择【季节Sarima】，将变量拖拽至右侧分析框，填写向后预测期数和季节周期长度S值，操作如下图：
（2 ）分析结果
SPSSAU输出Sarima模型部分结果如下：
季节Sarima模型详细说明及案例操作解读请点击查看下方帮助手册
五、灰色预测模型
灰色预测理论由邓聚龙教授提出，专为信息不完全、样本极度稀缺（最少仅需4个连续观测值） 的系统设计。其基本假设是：原始序列经过累加生成后，会呈现近似指数增长规律，从而可用一阶微分方程描述。最常用的GM(1,1) 模型表示"一阶单变量"灰色模型。
1、灰色预测模型步骤
在进行模型构建时，通常包括以下步骤：
- 第一步：级比值检验
此步骤目的在于数据序列是否有着适合的规律性，是否可得到满意的模型等，该步骤仅为初步检验，意义相对较小。级比值=上一期值 / 当期值。
- 第二步：后验差比检验
在进行模型构建后，会得到后验差比C值，该值为残差方差 / 数据方差；其用于衡量模型的拟合精度情况，C值越小越好，一般小于0.65即可。
- 第三步：模型拟合和预测
进行模型构建后得到模型拟合值，以及最近12期的预测值（SPSSAU默认提供最近12期预测值，可自行设置）。
- 第四步：模型残差检验
模型残差检验为事后多重比较法。主要查看相对误差值和级比偏差值。相对误差值=残差值绝对值 / 原始值。相对误差值越小越好，一般情况下小于20%即说明拟合良好。级比偏差值也用于衡量拟合情况和实际情况的偏差，一般该值小于0.2即可。
2、灰色预测模型软件操作
（1 ）软件操作
将数据整理为时间序列格式，见上文，上传至SPSSAU平台，在【综合评价】模块选择【灰色预测模型】，拖拽时间序列数据至右侧分析框中，点击开始分析，操作如下图：
（2 ）分析结果
SPSSAU输出灰色预测模型部分分析结果如下：
从上表可知，针对城市交通噪声/dB(A)进行GM(1,1)模型构建，首先进行级比值检验，用于判断数据序列进行模型构建的适用性。级比值为上一期数据/当期数据。结果显示：级比检验值均在标准范围区间0.779, 1.284内，意味着本数据适合进行GM(1,1)模型构建 。
从上表可知，模型构建后得到发展系数a，灰色作用量b，以及后验比C值和小误差概率p值；后验差比C值0.231<=0.35，意味着模型精度等级非常好。另外，小误差概率p值为0.857<0.95，意味着模型精度合格。
灰色预测模型详细说明及案例操作解读请点击查看下方帮助手册
六、VAR模型
前面的模型主要预测：一个变量随时间变化，例如未来GDP是多少。但现实中：多个变量往往相互影响。例如：GDP、消费、投资之间存在关系。这时候可以使用VAR模型。VAR模型的构建流程较为复杂，如下图所述：
上述分析步骤和流程仅供参考使用，实际研究中可能仅需要其中一部分的分析即可。比如很多时候并不需要关注残差自相关检验和残差正态性检验，也或者有时对格兰杰因果检验关注度较少等，具体以研究者实际研究情况为准即可。SPSSAU进行VAR模型操作如下：
VAR模型分析结果较多，篇幅有限，详细说明及案例操作解读请点击查看下方帮助手册：
七、机器学习预测
除了传统的时间序列预测方法外，当数据包含大量影响因素，且变量之间存在复杂的非线性关系时，也可以考虑使用机器学习方法进行预测。机器学习模型通过算法自动学习数据中的规律，建立输入变量与预测结果之间的关系，具有较强的数据拟合和预测能力。
常见机器学习预测方法包括：
- **决策树、随机森林、极端随机树：**通过树结构学习数据中的判断规则，适用于分类和预测任务；
- KNN 、朴素贝叶斯、支持向量机（SVM **）：**经典机器学习算法，适用于分类、小样本和高维数据分析；
- Logistic **回归：**常用于二分类问题的概率预测，如疾病发生、用户流失预测等；
- **神经网络：**具有较强的非线性拟合能力，适用于复杂模式识别和预测问题；
- XGBoost 、GBDT 、AdaBoost 、LightGBM 、CatBoost **：**属于集成学习方法，通过组合多个模型提升预测效果，在实际预测任务中应用广泛；
- Apriori **关联分析：**主要用于发现变量之间的关联规律，如商品推荐、用户行为分析等。
SPSSAU机器学习模块如下：
不同算法具有不同特点，实际分析时需要结合数据规模、变量类型和研究目标进行选择。关于各机器学习算法的原理、操作步骤及结果解读，可点击下方链接查看SPSSAU机器学习模块帮助手册。