回歸預測方法是根據自變量和因變量之間的相關關系進行預測的。自變量的個數可以一個或多個，根據自變量的個數可分為一元回歸預測和多元回歸預測。同時根據自變量和因變量的相關關系，分為線性回歸預測方法和非線性回歸方法。回歸問題的學習等價于函數擬合：選擇一條函數曲線使其很好的擬合已知數據且能很好的預測未知數據。

　　它適合于實時處理和計算機運算。卡爾曼濾波器問題由預計步驟，估計步驟，前進步驟組成。 在預計步驟中， t時狀態的估計取決于所有到t-1 時的信息。在估算步驟中， 狀態更新后， 估計要于時間t的實際觀察比較。更新的狀態是較早的推算和新觀察的綜合。 置于每一個成分的權重由“ Kalmangain”（卡爾曼增益） 決定，它取決于噪聲 w 和 v。（噪聲越小，新的觀察的可信度越高，權重越大，反之亦然）。前進步驟意味著先前的“新”觀察在準備下一輪預計和估算時變成了“舊” 觀察。 在任何時間可以進行任何長度的預測（通過提前狀態轉換）。

　　組合預測法是對同一個問題，采用多種預測方法。組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預測精度。組合預測有 2 種基本形式，一是等權組合， 即各預測方法的預測值按相同的權數組合成新的預測值；二是不等權組合，即賦予不同預測方法的預測值不同的權數。 這 2 種形式的原理和運用方法完全相同，只是權數的取定有所區別。 根據經驗，采用不等權組合的組合預測法結果較為準確。

　　BP網絡（Back-ProPagation Network）又稱反向傳播神經網絡， 通過樣本數據的訓練，不斷修正網絡權值和閾值使誤差函數沿負梯度方向下降，逼近期望輸出。它是一種應用較為廣泛的神經網絡模型，多用于函數逼近、模型識別分類、數據壓縮和時間序列預測等。點擊打開鏈接（BP神經網絡預測實例）

　　根據系統對象隨時間變化的歷史資料，只考慮系統變量隨時間的變化規律，對系統未來的表現時間進行定量預測。主要包括移動平均法、指數平滑法、趨勢外推法等。該方法適于利用簡單統計數據預測研究對象隨時間變化的趨勢等。

　　預測模型是在采用定量預測法進行預測時，最重要的工作是建立預測數學模型。預測模型是指用于預測的，用數學語言或公式所描述的事物間的數量關系。它在一定程度上揭示了事物間的內在規律性，預測時把它作為計算預測值的直接依據。

　　組合預測法是對同一個問題，采用多種預測方法。組合的主要目的是綜合利用各種方法所提供的信息，盡可能地提高預測精度。組合預測有 2 種基本形式，一是等權組合， 即各預測方法的預測值按相同的權數組合成新的預測值；二是不等權組合，即賦予不同預測方法的預測值不同的權數。

　　回歸預測方法是根據自變量和因變量之間的相關關系進行預測的。自變量的個數可以一個或多個，根據自變量的個數可分為一元回歸預測和多元回歸預測。同時根據自變量和因變量的相關關系，分為線性回歸預測方法和非線性回歸方法。

　　根據系統對象隨時間變化的歷史資料，只考慮系統變量隨時間的變化規律，對系統未來的表現時間進行定量預測。主要包括移動平均法、指數平滑法、趨勢外推法等。該方法適于利用簡單統計數據預測研究對象隨時間變化的趨勢等。

　　系統變量之間存在某種前因后果關系，找出影響某種結果的幾個因素，建立因與果之間的數學模型，根據因素變量的變化預測結果變量的變化，既預測系統發展的方向又確定具體的數值變化規律。一般因果關系模型中的因變量與自變量在時間上是同步的。

　　預測學是一門研究預測理論，方法，評價及應用的新型科學，是軟件學中的重要分支。縱觀預測的思維方式，其基本理論主要有慣性原理，類推原理和相關原理。預測的核心問題是預測的技術方法，或者說是預測的數學模型。預測的方法種類繁多，例如灰色預測法，神經網絡法等。本文將綜合數學模型使用的幾種基本的預測模型，并總結各模型的優缺點和適用范圍。