预测算法有哪些
数据挖掘中的预测算法有哪些
数据挖掘（六）：预测
http://blog.csdn.net/kingzone_2008/article/details/8977837
大数据预测分析方法有哪些
1、可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2、数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3、预测性分析能力
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4、数据质量和数据管理
大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。 当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。
这是一条来自#加米谷大数据-专注大数据人才培养#的小尾巴
模型预测控制的方法
模型预测控制是一种基于模型的闭环优化控制策略，其算法的核心是：可预测未来的动态模型，在线反复优化计算并滚动实施的控制作用和模型误差的反馈校正。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和并联性，并能方便的处理过程被控变量和操纵变量中的各种约束。从模型预测控制的基本原理出发，常见的有三种预测控制算法：
1)基于非参数模型的模型预测控制
代表性算法有模型算法(MAC)和动态矩阵控制(DMC)。这类算法分别采用脉冲响应模型和有限阶跃响应模型作为过程预测模型，无需考虑模型结构和阶次，可将过程时滞自然纳入模型中，尤其适合表示动态响应不规则的对象特性，适合处理开环稳定多变量过程约束问题的控制。
2)基于ARMA或CARIMA等输入输出参数化模型的预测控制算法。
这类算法有经典自适应控制发展而来，融合了自校正控制和预测控制的优点。其反馈校正通过模型的在线辨识和控制率的在线修正以自校正的方式实现，其中最具代表性的是广义预测算法，它可应用于时变时滞较难控制的对象，并对系统的时滞和阶次不确定有良好的鲁棒性，但对于多变量系统，算法实施较困难。
3)滚动时域控制。由LQ和LQG算法发展而来
对于状态空间模型，用有限时域二次性能指标再加终端约束的滚动时域控制算法来保证系统稳定性。它已拓展到跟踪控制和输出反馈控制。各类模型预测控制算法虽然在模型、控制和性能上存在许多差异，但其核心都是基于滚动时域原理，算法中包含了预测模型、滚动优化和反馈校正三个基本原理。
Neo4j图分析—链接预测算法(Link Prediction Algorithms)
链接预测是图数据挖掘中的一个重要问题。链接预测旨在预测图中丢失的边, 或者未来可能会出现的边。这些算法主要用于判断相邻的两个节点之间的亲密程度。通常亲密度越大的节点之间的亲密分值越高。
Adamic Adar 是一种基于节点之间共同邻居的亲密度测算方法。2003年由 Lada Adamic 和 Eytan Adar t在 predict links in a social network 中提出的，计算亲密度的公式如下：
创建完成之后的图结构如下：
计算两个指定节点之间的亲密度：
计算结果如下所示：
另外，我们还可以基于特定的关系类型和关系指向，计算一对节点之间的亲密度。
计算结果如下：
相同邻居，顾名思义，指的是两个节点同时关联的节点、数量。
计算公式如下：
结果如下：
同样的，该度量方法也可以指定关系的类型和关系的方向，这里不再赘述。
优先连接依赖于两个节点的连接数，如果两个节点的连接数都很大，标签该节点对被连接的概率越大。计算公式如下：
资源分配算法公式如下：
总邻居数指的是两个相邻节点之间的总邻居数，计算公式如下：
参考：
怎样用Excel函数做数据预测
预测9到12月的数据方法:
月数据=(一月销售+二月销售+.....+八月销售)/8
预测2015年数据方法:
(2014年一月到八月实际数据+九月到十二月预测数据)*2015年的通货膨胀率
数据分析包括哪些算法
1. Analytic Visualizations(可视化分析)
不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。
2. Data Mining Algorithms(数据挖掘算法)
可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
3. Predictive Analytic Capabilities(预测性分析能力)
数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。
4. Semantic Engines(语义引擎)
我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。
5. Data Quality and Master Data Management(数据质量和数据管理)
数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。