数学建模-预测方法在数学建模中应用.ppt
- 文档编号:18749351
- 上传时间:2023-10-28
- 格式:PPT
- 页数:130
- 大小:2.71MB
数学建模-预测方法在数学建模中应用.ppt
《数学建模-预测方法在数学建模中应用.ppt》由会员分享,可在线阅读,更多相关《数学建模-预测方法在数学建模中应用.ppt(130页珍藏版)》请在冰点文库上搜索。
数学建模中预测方法,2,历届CUMCM数据预测题目,2003年A题SARS的传播问题2005年A题长江水质评价和预测问题2006年B题艾滋病疗法的评价及疗效的预测问题2007年A题中国人口增加预测问题2009年D题“会议筹备”对与会人数的确定2010B题上海世博会影响力相关数据预测,3,一、预测的概念,系统预测:
根据系统发展变化的实际数据和历史资料,运用现代的科学理论和方法,以及各种经验、判断和知识,对事物在未来一定时期内的可能变化情况,进行推测、估计和分析。
几个问题三六九,出门走。
早霞不出门,晚霞行千里。
4,预测的特点科学性:
据统计资料和目前信息,运用一定程序、方法和模型,分析预测对象与相关因素的相互联系,而揭示预测对象特性和变化规律。
近似性:
受许多随机因素的影响,事前预测的结果,往往与将来实际发生的结果有一定偏差。
局限性:
对预测对象的认识常受知识、经验、观察和分析能力限制,又掌握资料和信息不够准确完整,或建模时简化等,导致预测的分析不够全面。
一、预测的概念,5,根据预测的内容:
科学预测、技术预测、社会预测、经济预测、军事预测根据预测的期限:
短期预测(1年内)、中期预测(25年)、长期预测(510年及以上)根据预测的性质:
定性预测、定量预测、综合预测,预测分类,一、预测的概念,6,预测技术的种类繁多,据统计有150多种。
其中广泛采用有1520种。
一、预测的概念,7,预测一般步骤,一、预测的概念,8,二、时间序列分析预测法,时间序列:
系统中某一变量或指标的数值或统计观测值,按时间顺序排列成一个数值序列,就称为时间序列(TimeSeries),又称动态数据。
某市六年来汽车货运量(亿吨公里),9,二、时间序列分析预测法,系统预测中讨论的时间序列,一般是某随机过程的一个样本。
通过对其分析研究,找出动态过程的特性、最佳的数学模型、估计模型参数,并检验利用数学模型进行统计预测的精度,是时间序列分析的内容。
某市六年来汽车货运量(亿吨公里),10,二、时间序列分析预测法,某市六年来汽车货运量,11,时间序列特征:
趋势性T:
总体上持续上升或下降的总变化趋势,其间的变动幅度可能有时不等。
季节性S:
以一年为周期,四个季节呈某种周期性,各季节出现波峰和波谷的规律类似。
周期性C:
决定于系统内部因素的周期性变化规律,又分短周期、中周期、长周期等几种。
不规则性I:
包括突然性和随机性变动两种。
二、时间序列分析预测法,任一时间序列可表示为几种变动的不同组合的总结果,且可表示为:
加法模型:
Y=T+S+C+I乘法模型:
Y=TSCI,12,二、时间序列分析预测法,某市六年来汽车货运量时间序列分解,趋势项,周期项,随机项,13,平滑预测法包括移动平均法和指数平滑法两种,其具体是把时间序列作为随机变量,运用算术平均和加权平均的方法做未来趋势的预测。
这样得到的趋势线比实际数据点的连线要平滑一些,故称平滑预测法。
趋势外推预测法根据预测对象历史发展的统计资料,拟合成预先指定的某种时间函数,并用它来描述预测目标的发展趋势。
平稳时间序列预测法由于平稳时间序列的随机特征不随时间变化,所以可利用过去的数据估计该时间序列模型的参数,从而可以预测未来。
二、时间序列分析预测法-分类,14,二、时间序列分析预测法-平稳时间序列,时序图检验根据平稳时间序列均值与方差为常数的性质,平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动,而且波动的范围有界、无明显趋势及周期特征自相关图检验平稳序列通常具有短期相关性。
该性质用自相关系数来描述就是随着延迟期数的增加,平稳序列的自相关系数对很快地衰减向零。
纯随机性检验(白噪声检验),平稳性检验,15,AR(p)模型MA(q)模型ARMA(p,q)模型,平稳时间序列分析模型:
ARMA模型的全称是自回归移动平均(autoregressionmovingaverage)模型,它是目前最常用的拟合平稳时间序列的模型。
ARMA模型又可细分为AR模型、MA模型和ARMA模型三大类。
二、时间序列分析预测法-平稳时间序列,16,确定性时间序列分析(平滑法、趋势外推拟合法)通常这种非平稳的时间序列显示出非常明显的规律性,比如有显著的趋势或有固定的变化周期。
随机性时间序列分析(ARIMA模型)由随机因素导致的的非平稳时间序列,通常这种随机波动非常难以确定和分析。
通过差分法或适当的变换使非平稳序列的化成为平稳序列。
在实际情况中,绝大部分序列都是非平稳的,因而对非平稳序列的分析更普遍、更重要,相应地各种分析方法也更多。
通常包含下列两种方法:
二、时间序列分析预测法-非平稳序列,非平稳序列分析法,17,ARIMA(AutoregressiveIntegratedMovingAverage)模型,差分自回归滑动平均模型(滑动也译作移动),又称求合自回归滑动平均模型。
ARIMA(p,d,q)中,AR是自回归,p为自回归项数;MA为滑动平均,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。
ARIMA(p,d,q)模型是ARMA(p,q)模型的扩展。
二、时间序列分析预测法-非平稳序列,18,Box-Jenkins法-时间序列分析法,19,例:
建立国际航线旅客月度人数的ARIMA模型。
我们已有一组1949年至1961年国际航线旅客月度人数的144条记录。
使用ARIMA过程进行建模和预测。
其数据列于下表所示。
二、时间序列分析预测法实例分析,20,
(1)绘制时序图,二、时间序列分析预测法实例分析,21,
(2)对平稳性和季节性的识别,对平稳性和季节性的识别通常有时序图和自相关图两种方法,或两者结合起来一起判断。
时序图,是通过直接观察时间序列折线图来检验序列是否平稳。
如果时间序列有某种趋势或呈现出增加或减少范围的扩散现象,则序列是不平稳的。
自相关图。
如果序列的折线图并不明显地呈现上述现象,而我们又无法直接判断序列究竟平稳与否,通常可以利用自相关图来检测序列是否平稳。
二、时间序列分析预测法实例分析,22,二、时间序列分析预测法实例分析,23,(3)变换不平稳序列为平稳序列,如果时间序列呈线性趋势,均值不是常数,利用一阶差分将产生一个平稳序列。
如果时间序列呈二次趋势,均值不是常数,利用二阶差分将产生一个平稳序列。
如果时间序列呈现出随时间的上升或下降而偏差,方差不是常数,通常可利用取自然对数转化为平稳序列。
如果时间序列呈现指数趋势,均值和方差都不是常数,通常也可利用取自然对数转化为平稳序列。
如果时间序列呈现“相对环”趋势,通常将数据除以同时发生的时间序列的相应值转化为平稳序列。
二、时间序列分析预测法实例分析,24,a)取对数消除振幅变大趋势-线性增长趋势,二、时间序列分析预测法实例分析,25,b)需要对这个新序列数据再进行滞后一次(消除增长)和滞后12次(消除季节)共两次差分最终转换为平稳序列,(4)检验待选的时间序列模型的自相关函数,二、时间序列分析预测法实例分析,26,ACF图中,我们认为自相关系数在延迟1阶后都落入2倍标准差内,然后在延迟12阶处突然有一个较大的自相关系数,紧接着又落入2倍标准差内,很象在1,12处截尾,27,(5)估计备选时间序列模型的参数估计(6)利用确定的模型进行预测,二、时间序列分析预测法实例分析,28,1、定义一元线性回归预测是处理因变量y与自变量x之间线性关系的回归预测法,其数学模型为:
其中a、b称为回归系数,首先根据x、y的现有统计数据,在直角坐标系中作散点图,观察y随x而变是否为近似的线性关系。
若是,则求出式(7.4.1)中的a、b值,就可确定其数学模型,然后由x的未来变化去求相应的y值。
三、回归分析预测法-一元线性回归,29,使拟合的数值与实际值的总方差为最小,即拟合程度最好,则得两者之差ei,根据极值原理,式(7.4.6)对a、b分别求偏导,并令其=0,得,三、回归分析预测法-一元线性回归,2、a、b的确定方法最小二乘法,30,三、回归分析预测法-一元线性回归,31,三、回归分析预测法-一元线性回归,32,3、回归效果检验,y=a+bx一定程度上反映了y与x之间的统计线性相关关系,该关系是否密切,决定了所采用线性预测模型多大程度上可信。
这可以通过y与x的相关系数rxy的大小来确定。
三、回归分析预测法-一元线性回归,33,3、回归效果检验,rxy的取值(P136图7-7):
|rxy|=1,样本点完全落在回归线上,y与x有完全的线性关系;0rxy1,y与x有一定的正线性相关关系,即y随着x的增加而成比例倍数增加;-1rxy0,y与x有一定的负线性相关关系,即y随着x的增加而成比例倍数减少;rxy=0,y与x之间不存在线性相关关系。
三、回归分析预测法-一元线性回归,取一定显著水平,查相关系数表(教材P.384附表二),若|rxy|表中相应数字r临界值,表示x、y间存在线性相关,预测模型可用。
34,4、简化算法,对具有类似等差时间序列关系的统计数据进行预测时,可以采用此法。
由计算a、b的式(7.4.2)、(7.4.3),发现,若能使其中的xi=0,则计算a、b就会大大简化为,三、回归分析预测法-一元线性回归,35,如何使xi=0?
当xi为等差自然数列时,可引入“集中时间序列”即使等差序列呈对称形态。
在给xi编号时可以这样处理:
(1)若n为奇数,取xi的时间间隔为1,将x=0置于资料期的中央;
(2)若n为偶数,取xi的时间间隔为2,将x=-1(+1)置于资料期中央的上(下)期。
例7.4.1某服装厂最近5年的服装产量如下表所示,请预测该厂今明两年的产量。
年份倒5年倒4年倒3年前年去年今年明年,产量(万元)300350380430500?
三、回归分析预测法-一元线性回归法,36,解:
以年份为自变量xi,产量为因变量yi,在直角坐标系中画散点图后发现y、x之间基本上呈线性关系,故可用一元线性回归方法进行预测。
此处n=5为奇数,因此可列下表整理资料,并使xi=0,年份倒5年倒4年大前年前年去年平均值,xi-2-101200,yi3003503804305001960392,xiyi-600-35004301000480,Xi24101410,Yi290000122500144400184900250000791800,三、回归分析预测法-一元线性回归,37,查相关系数表,此处n=5,若取=0.01,置信度(1-)=99%查得,三、回归分析预测法-一元线性回归,38,由于rxyr临界值,所以x,y之间确实存在着线性相关,故预测模型可以用于预测。
三、回归分析预测法-一元线性回归,39,1、基本概念社会经济S中,影响事物发展的往往是多个因素,一元回归只是一种抽象,是抓主要矛盾的结果。
有时分不清主次,只有通过多因素的多元回归才能反映事物的本质。
例如一个城市的公共交通营运总额y与该市的人口总数x1、国民生产总值x2、商品流通量(或人口流动数)x3等多因素有关,经过分析抓住主要矛盾后,可建立如下二元线性回归预测模型:
三、回归分析预测法-多元线性回归,40,一般而言,设系统变量y与k个自变量x1,x2,,xk之间存在统计线性相关关系,且给定n组样本数据点如下:
(y1,x11,x21,xk1),(y2,x12,x22,xk2),(yn,x1n,x2n,xkn)则其满足:
多元线性回归预测模型可以表示为:
多元线性回归与矩阵方法相结合,是社会经济系统预测与规划的一个重要手段。
三、回归分析预测法-多元线性回归,41,2、多元线性回归模型的参数估计设式(7.4.10)中,则其k+1个参数aj可利用最小二乘法进行估计,记,三、回归分析预测法-多元线性回归,42,于是,式(7.4.10)可以表示为:
三、回归分析预测法-多元线性回归,43,令误差平方和:
由极小值条件可得:
记系数矩阵(对称)适于计算机实现,最小二乘法估计是A的无偏估计。
三、回归分析预测法-多元线性回归,44,手算时,极小值条件可以表示为:
三、回归分析预测法-多元线性回归,45,整理可得:
解上面的方程组即可得到a0,a1,ak的估计值。
三、回归分析预测法-多元线性回归,46,3、相关系数记RSS回归平方和ESS剩余平方和TSS总平方和,三、回归分析预测法-多元线性回归,47,3、相关系数复相关系数r:
表示y与所有自变量x1,xk的整体线性相关程度。
三、回归分析预测法-多元线性回归,48,3、相关系数r=1:
y与x1,xk具有完全的正线性相关关系,所有样本点完全落在回归直线上。
r=-1:
y与x1,xk具有完全的负线性相关关系,所有样本点完全落在回归直线上。
0r1:
y与x1,xk具有一定的正线性相关关系。
-1r0:
y与x1,xk具有一定的负线性相关关系。
r=0:
y与x1,xk之间不存在线性相关关系。
对一元线性回归而言,相关系数含义见P136图7-7.,三、回归分析预测法-多元线性回归,49,4、回归模型的统计检验
(1)标准离差检验:
用于检验回归模型的精度。
(2)相关系数检验:
用复相关系数检验整体线性相关关系是否可信。
r=1:
完全线性相关(所有点均在拟合直线上);r=0:
不相关。
如果r在某个显著性水平下超过了r临界值(附表二),则认为r在显著性水平下与0显著不同,检验通过。
反映估计值和样本值的平均误差,要求:
三、回归分析预测法-多元线性回归,50,4、回归模型的统计检验(3)回归方程的显著性检验(F检验):
在一定显著性水平下,检验假设ai=0(i=1,k)是否成立。
构造统计量F:
则当,时否定假设,认为在显著性水平下,回归模型有意义(查附表四)。
三、回归分析预测法-多元线性回归,51,4、回归模型的统计检验(4)回归系数的显著性检验(t检验):
对每个自变量xi与y的相关关系单独进行显著性检验,检验假设ai=0是否成立。
则当对j=1,k都有:
时认为在显著性水平下,aj与0有显著差异,即xj对y有显著影响(查附表三)。
三、回归分析预测法-多元线性回归,52,4、回归模型的统计检验(5)剩余项的独立性检验(DW检验):
就拟合误差i的相互独立性进行检验。
根据、n、k,查DW表(附表五)得du、dl值,然后根据书上139页检验规则表得出检验结论。
三、回归分析预测法-多元线性回归,53,4、回归模型的统计检验(6)预测区间确定通过以上检验后回归模型可用。
但由于模型是由数理统计方法得到,有一定误差,预测结果也有一定误差,即预测结果有一定的波动范围,即预测置信区间。
在置信度为0.95时,预测结果的置信区间或波动范围为,其中,S为标准离差,为自变量某组取值为x10,x20,xk0时的预测值。
则预测区间可以表示为。
三、回归分析预测法-多元线性回归法,54,步骤:
给出待建的回归预测模型进行参数估计,即求a0,a1,ak,算法:
对模型进行统计检验,归纳:
多元线性回归分析预测法,55,Cobb-Douglas生产函数一般形式:
若A(t)在一定期内近似为常数A,则,令y=lnY,x1=lnL(t),x2=lnK(t),即得线性回归模型。
非线性回归模型的线性化处理对数线性化,56,对形如的非线性多项式预测模型,可以用变量代换的方法转换为线性。
,则原模型变为,从而可以用求解线性回归模型的方式进行求解。
非线性回归模型的线性化处理多项式的回归估计,57,1)对时序的统计数据,两法均可进行预测。
但用回归法有一些缺点:
回归法对当前和历史数据是同等对待的,缺乏反映趋势的灵活性。
出现新数据点时,都要对回归方程进行重新估计。
2)故对时序统计资料进行预测,大多不用回归法,而用时序法。
即使要用回归法,也多采用简化算法,否则太麻烦。
3)时序法不考虑事物变化原因,而是从最终结果去研究,并设事物会遵循过去的规律,当前趋势同样适应未来。
事实上未来绝不是过去和现在的简单重复。
故时序法用于短期预测较准,用于长期预测时,除非发展非常稳定,否则效果较差,特别是遇到发展转折点时,时序法无能为力。
时序分析与回归分析比较:
58,4)预测通常采用两种以上方法进行对比和验证:
时序法研究变化趋势,回归法研究因素间因果关系。
较长时间预测采用回归法较准,短期预测可使用时序法,时序法需数据资料较少。
回归法所需数据较多,通常要求占有的数据时间应为预测时间的3倍以上。
时序分析与回归分析比较:
59,灰色预测模型(GrayForecastModel)是通过少量的、不完全的信息,建立数学模型并做出预测的一种预测方法.当我们应用运筹学的思想方法解决实际问题,制定发展战略和政策、进行重大问题的决策时,都必须对未来进行科学的预测.预测是根据客观事物的过去和现在的发展规律,借助于科学的方法对其未来的发展趋势和状况进行描述和分析,并形成科学的假设和判断.,四、灰色预测模型,60,灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论.灰色预测是对灰色系统所做的预测.目前常用的一些预测方法(如回归分析等),需要较大的样本.若样本较小,常造成较大误差,使预测目标失效.灰色预测模型所需建模信息少,运算方便,建模精度高,在各种预测领域都有着广泛的应用,是处理小样本预测问题的有效工具.,四、灰色预测模型,61,灰色系统理论是由华中理工大学邓聚龙教授于1982年提出并加以发展的。
二十几年来,引起了不少国内外学者的关注,得到了长足的发展。
目前,在我国已经成为社会、经济、科学技术在等诸多领域进行预测、决策、评估、规划控制、系统分析与建模的重要方法之一。
特别是它对时间序列短、统计数据少、信息不完全系统的分析与建模,具有独特的功效,因此得到了广泛的应用。
在这里我们将简要地介绍灰色建模与预测的方法。
四、灰色预测模型,62,灰色系统的定义,灰色系统是黑箱概念的一种推广。
我们把既含有已知信息又含有未知信息的系统称为灰色系统.作为两个极端,我们将称信息完全未确定的系统为黑色系统;称信息完全确定的系统为白色系统.区别白色系统与黑色系统的重要标志是系统各因素之间是否具有确定的关系。
四、灰色理论预测模型-灰色系统的定义和特点,63,灰色系统的特点,
(1)用灰色数学处理不确定量,使之量化.,
(2)充分利用已知信息寻求系统的运动规律.,(3)灰色系统理论能处理贫信息系统.,四、灰色理论预测模型-灰色系统的定义和特点,64,通过下面的数据分析、处理过程,我们将了解到,有了一个时间数据序列后,如何建立一个基于模型的灰色预测。
1.数据的预处理首先我们从一个简单例子来考察问题.【例】设原始数据序列,四、灰色理论预测模型-灰色系统模型,65,对数据累加,于是得到一个新数据序列,四、灰色理论预测模型-灰色系统模型,66,归纳上面的式子可写为称此式所表示的数据列为原始数据列的一次累加生成,简称为一次累加生成.显然有,将上述例子中的,分别做成图7.1、图7.2,可见图7.1上的曲线有明显的摆动,图7.2呈现逐渐递增的形式,说明原始数据的起伏已显著弱化.可以设想用一条指数曲线乃至一条直线来逼近累加生成数列,四、灰色理论预测模型-灰色系统模型,67,图7.2,图7.1,为了把累加数据列还原为原始数列,需进行后减运算或称相减生成,它是指后前两个数据之差,如上例中,四、灰色理论预测模型-灰色系统模型,68,归纳上面的式子得到如下结果:
一次后减,其中,四、灰色理论预测模型-灰色系统模型,69,建模原理给定观测数据列经一次累加得,设满足一阶常微分方程,(7.1),(7.2),(7.3),四、灰色理论预测模型-灰色系统模型,70,其中是a,u常数,a称为发展灰数;u称为内生控制灰数,是对系统的常定输入.此方程满足初始条件,的解为,(7.3),对等间隔取样的离散值(注意到)则为,(7.4),灰色建模的途径是一次累加序列(7.2)通过最小二乘法来估计常数a与u.,四、灰色理论预测模型-灰色系统模型,71,因,留作初值用,故将,用差分代替微分,又因等间隔取样,,分别代入方程(7.3),故得,类似地有,于是,由式(7.3)有,四、灰色理论预测模型-灰色系统模型,72,由于,涉及到累加列,的两个时刻的值,因此,,取前后两个时刻的平均代替更为合理,即将,替换为,把,项移到右边,并写成向量的数量积形式,(7.5),四、灰色理论预测模型-灰色系统模型,73,将(7.5)写为矩阵表达式,令,这里,T表示转置.令,(7.6),四、灰色理论预测模型-灰色系统模型,74,则(7.6)式的矩阵形式为,方程组(7.6)的最小二乘估计为,(7.6),(7.7),四、灰色理论预测模型-灰色系统模型,75,把估计值,代入(7.4)式得时间响应方程,由(7.8)式算得的,是拟合值;,为预报值.这是相对于一次累加序列,的拟合值,用后减运算还原,,就可得原始序列,的拟合值,可得原始序列,预报值.,(7.8),四、灰色理论预测模型-灰色系统模型,76,精度检验
(1)残差检验:
分别计算,四、灰色理论预测模型-灰色系统模型,77,(3)预测精度等级对照表,见表7.1.,四、灰色理论预测模型-灰色系统模型,78,由于模型是基于一阶常微分方程(7.3)建立的,故称为一阶一元灰色模型,记为GM(1,1).须指出的是,建模时先要作一次累加,因此要求原始数据均为非负数.否则,累加时会正负抵消,达不到使数据序列随时间递增的目的.如果实际问题的原始数据列出现负数,可对原始数据列进行“数据整体提升”处理.注意到一阶常微分方程是导出GM(1,1)模型的桥梁,在我们应用GM(1,1)模型于实际问题预测时,不必求解一阶常微分方程(7.3).,四、灰色理论预测模型-灰色系统模型,79,GM(1,1)的建模步骤综上所述,GM(1,1)的建模步骤如下:
四、灰色理论预测模型-灰色系统模型,80,【例】某公司19992003年逐年的销售额.试用建立预测模型,预测2004年的销售额,要求作精度检验。
四、灰色理论预测模型案例分析,81,解
(1)由原始数据列计算一次累加序列,结果见表7.3.表7.3一次累加数据,四、灰色理论预测模型案例分析,82,
(2)建立矩阵:
四、灰色理论预测模型案例分析,83,四、灰色理论预测模型案例分析,84,四、灰色理论预测模型案例分析,85,四、灰色理论预测模型案例分析,86,四、灰色理论预测模型案例分析,87,【例3】某市2004年1-6月的交通事故次数统计见表7.5.试建立灰色预测模型.表7.5交通事故次数统计【例4】某市20012005年火灾的统计数据见表7.7.试建立模型,并对该市2006年的火灾发生状况做出预测。
表7.7某市20012005年火灾数据,四、灰色理论预测模型案例分析,88,以冯诺依曼型计算机为中心的信息处理技术的高速发展,使得计算机在当今的信息化社会中起着十分重要的作用。
但是,当用它来解决某些人工智能问题时却遇到了很大的困难。
例如,一个人可以很容易地识别他人的脸孔,但计算机则很难做到这一点。
大脑是由生物神经元构成的巨型网络,它在本质上不同于计算机,是一种大规模的并行处理系统,它具有学习、联想记忆、综合等能力,并有巧妙的信息处理方法。
人工神经网络来源于对人脑实际神经网络的模拟,背景知识,四、神经网络预测法-背景知识,89,人工神经网络(ArtificialNeuralNetwroks,简称ANN)是对人类大脑系统的一种仿真,简单地讲,它是一个数学模型,可以用电子线路来实现,也可以用计算机程序来模拟,是人工智能研究的一种方法。
实际上它是由大量的、功能比较简单的形式神经元互相连接而构成的复杂网络系统,用它可以模拟大脑的许多基本功能和简单的思维方式。
尽管它还不是大脑的完美元缺的模型,但它可以通过学习来获取外部的知识并存贮在网络内,可以解决计算机不易处理的难题,特别是语音和图像的识别、理解、知识的处理、组合优化计算和智能控制等一系列本质上是非计算的问题。
什么是人工神经网络,四、神经网络预测法背景知识,90,1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个简单的神经元模型,即MP模型。
1958年,F.Rosenb
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数学 建模 预测 方法 应用