层次分析法
陷阱分析
层次分析法是一种主观评价方法,主要用于求指标权重及选择方案等。
(1)层次分析法不适用于指标过多的赛题,一般指标≤9 使用。
(2)层次分析法决策层数据是未知的,否则不适用。
模糊综合评价
陷阱分析
模糊综合评价法是一种基于模糊数学的综合评价方法。根据模糊数学的隶属度理论把定性评价转化为定量评价。
(1)模糊综合评价涉及权重的确定,权重的设定需要决策者具有较高的主观判断能力和经验,否则可能会导致评价结果不准确或不可靠。
(2)隶属函数的确定没有明确且系统的方法,需要作者能自圆其说。
TOPSIS算法
陷阱分析
TOPSIS法是根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。
(1)往往需要考虑指标权重,否则结果可能存在偏差,权重的确定可选择熵权法等。
(2)使用 TOPSIS 算法必须要能找到可参考的最优解和最劣解。
(3)对异常值和缺失值非常敏感,使用此算法前务必进行数据预处理和指标一致化处理等。
灰色预测
陷阱分析
灰色预测模型是通过少量的、不完全的信息,建立数学模型做出预测的一种预测方法。
(1)灰色预测只适合于少量样本的短期预测。
(2)在进行灰色预测前必须要做级比检验!
ARIMA时间序列模型
陷阱分析
时间序列预测是一种专门针对时间序列数据的预测方法,其目标是通过分析时间序列数据的趋势、季节性和周期性等特征,来预测未来数据的走向。
(1)对于长期的趋势和季节性变动不适用该算法。
(2)要求时序数据是稳定的,或者是通过差分化后是稳定的。
(3)对异常值和离群点敏感,需要进行数据预处理。
回归预测模型
陷阱分析
回归分析预测是在分析自变量和因变量之间相关关系的基础上,建立变量之间的回归方程,并将回归方程作为预测模型。
(1)回归模型对于异常值(极端的、与其他数据点相差较大的值)非常敏感,可能会对预测结果产生较大的影响,需要进行数据预处理。
(2)回归分析中,需要先检验并解决多重共线性问题。
神经网络模型
陷阱分析
神经网络是一种模拟人脑神经系统工作原理的计算模型。它由多个神经元(节点)组成的层级结构,每个神经元都与下一层
的神经元相连。这些连接具有权重,它们决定了信号在网络中传递的强度。通过训练,神经网络可以学习从输入数据中提取
特征,并对输出进行预测或分类。
(1)神经网络需要大量样本才能训练出良好的网络。
(2)神经网络模型对输入数据中的噪声和异常值较敏感,这可能导致模型在处理噪声数据时产生误差,需要进行数据预处理。
(3)BP 神经网络模型易陷入局部最小值问题,需要考虑解决。
智能优化算法
陷阱分析
智能优化算法又称为现代启发式算法,是一种具有全局优化性能、通用性强且适合与并行处理的算法。一般具有严密的理论依据,而不是简单的凭借专家经验,理论上可以在一定的时间内找到最优解或近似最优解。
典型代表:遗传算法、粒子群算法和模拟退火算法等
适用条件:确定目标函数为非凸函数
(1)若决策变量为连续变量,则选择粒子群算法,其优点是收敛速度快缺点是跳出局部最优解的能力较弱。
(2)若决策变量为离散变量,则选择遗传算法,优点是跳出局部最优解的能力较强;缺点是收敛速度慢。
(3)若决策类型无要求,但维度较低,则选择模拟退火算法,其优点是收敛速度快且跳出局部最优解能力强;但缺点是决策变量维度较高时,算法收敛速度很慢。