方法选型决策指南：预测类问题怎么选方法（深度版）

面对『未来会是多少』，先看数据有没有时间顺序、够不够长、稳不稳，再选插值/回归/时序/机器学习。

分类：🔮 预测类　适用：销量/人口/负荷预测、趋势外推、含季节性的时间序列

一、这个指南适合谁（适用场景）

销量/人口/负荷预测
趋势外推
含季节性的时间序列

二、选型决策要素

看数据结构：是否带时间索引
看样本量：大/小
看平稳性/季节性
看是否要解释性
匹配方法→误差评估

三、选型的底层逻辑

预测的本质是函数估计 $\hat y=f(x)$ ：从历史或特征中学会一个映射，外推到未来。这里有两对核心张力，决定方法选型：①偏差—方差权衡——简单模型（线性、指数平滑）偏差大但方差小、稳；复杂模型（神经网络、集成）方差大但偏差小、表达强。样本少时复杂模型会过拟合（方差爆炸），样本多时才值得上。②可识别性——时序预测能否成立，取决于历史是否蕴含未来的统计规律；非平稳序列（均值/方差随时间变）破坏了这种可迁移性，必须先差分/去趋势再建模。所以选方法不是"越高级越好"，而是在"样本量、平稳性、可解释性"三个约束下，选偏差—方差最优点。

四、决策模型与推导

预测误差分解（偏差—方差）：预测误差的期望平方

$E[(y-\hat y)^2]=\text{Bias}^2[\hat y]+\text{Var}[\hat y]+\sigma^2$

$\sigma^2$ 为不可约噪声。模型复杂度上升→偏差↓但方差↑。最优复杂度在两者之和最小处：

$c^*=\arg\min_c\bigl(\text{Bias}^2(c)+\text{Var}(c)\bigr)$

小样本时选低复杂度（灰色/平滑），避免 $\text{Var}$ 主导；大样本时可选高复杂度。

平稳性与 ADF：对非平稳序列直接拟合会产生"伪回归"。ADF 检验原假设 $H_0$ ：存在单位根（非平稳）。拒绝 $H_0$ 才可用 ARIMA 等。差分阶数 $d$ 取使序列平稳的最小整数。

模型选择准则：在候选阶数/复杂度间选

$\text{AIC}=2k-2\ln\hat L,\qquad \text{BIC}=k\ln n-2\ln\hat L$

$k$ 为参数个数， $n$ 为样本。AIC/BIC 越小越好，它们在"拟合优度"与"复杂度惩罚"间权衡，避免过拟合——这正是"至少 2 种方法对比、用测试集误差评估"的理论依据。

五、选型流程（怎么选）

无时间顺序、只有『x→y』→ 回归（线/多项式/岭）。
有时间序列、样本少、要解释 → 灰色预测 GM(1,1)。
有时间序列、平稳、要短期 → 移动平均/指数平滑/ARIMA。
有明显季节/周期 → 季节性分解 + SARIMA 或 Prophet。
样本大、非线性、不苛求解释 → 随机森林/XGBoost/神经网络。
用 MAE/RMSE/MAPE 横向比多种方法。

六、问题 → 方法映射

灰色 GM(1,1)：小样本(<30)、近似指数增长首选；注意残差检验。
ARIMA：平稳序列经典；先做差分/ADF 检验。
机器学习：大样本、特征多；警惕过拟合，要交叉验证。

七、常见误选与对策

小样本硬上深度学习 → 过拟合、不可解释。
不做平稳性直接 ARIMA → 伪回归。
无误差对比只报一个点 → 不可信。
把训练误差当预测精度 → 要测集误差。

八、选型自检清单

已判断数据是否时序
方法匹配样本量与平稳性
至少 2 种方法对比
用测试集误差(MAPE/RMSE)评估
结果有置信/区间说明

九、配套资源与搭配

灰色预测 GM(1,1) 速成手册
算法速成手册（预测类）
敏感性分析与误差分析

本指南由 MCM520 资料站自动生成（深度版），配套算法速成手册可在资源页下载。

10、实战案例

案例：预测问题选题

常见类型：销量预测、股价预测、人口预测
推荐模型：ARIMA、灰色预测、神经网络

实战案例

预测类问题选型实战

场景：根据数据特性（平稳/周期/多变量）选预测模型。
任务：用数据诊断驱动模型选择。

完整代码（text）

诊断流程：
1. 平稳性 ADF 检验
   - 不平稳 → 差分/对数转平稳
2. 周期性检测（FFT/自相关）
   - 有周期 → 季节模型（SARIMA/Prophet）
3. 多变量？
   - 是 → VAR / 机器学习（XGBoost）
   - 否 → ARIMA / 指数平滑

速查：
短期→指数平滑；长期→ARIMA/ML；
多特征→XGBoost/LSTM。

运行效果

选型案例：

平稳无季节 → ARIMA(1,1,1)
强季节（销售）→ Prophet/SARIMA
多因素（房价）→ XGBoost
长期依赖（股价）→ LSTM
坑：直接上LSTM训不出→先用ARIMA基线。