Skip to content

数学建模中的误差与不确定性 ​

误差量化已经发生的偏差 ​

预测误差可以定义为 e=y−y^,其中 y 是观测值,y^ 是预测值。按这个约定,正误差代表低估。假设实际需求分别为 90、120 和 105 份,而预测是 100、100 和 110 份,误差为 −10、20 和 −5 份。平均误差约 1.67 份,而平均绝对误差约 11.67 份。正负误差会抵消,因此判断单次预测偏离程度时,应同时查看绝对误差及高峰时期的表现。

观测值也可能有误差。例如库存已经售罄,当天卖了 90 份,只知道需求至少为 90 份。这一条记录无法直接提供真实需求误差。应根据记录产生的过程解释误差指标。

区分影响结论的来源 ​

来源例子可做的检查
随机波动相同天气、相同星期的客流仍波动比较类似日期的波动范围
参数不确定性少数日期估计出的促销效应幅度做合理范围的扰动或按设计重抽样
模型结构偏差用固定增长模型预测遇到容量上限的系统检查残差模式,和含容量机制的模型比较
测量与数值误差计数漏记,或数值积分步长太大双源交叉核对,缩短步长并比较结果

数据量增加可能提高某些参数估计的精度,但系统性漏记和遗漏关键机制仍需检查。区间估计也有不同目标。均值的置信区间描述在模型和抽样条件下对平均响应估计的精度。单个未来观测的预测区间还需要考虑未来观测的随机变化,在线性回归等常见设定下通常更宽。

把不确定性带入决策 ​

如果按预测值 100 份备餐,可以把需求在 85、100、115 份时的缺餐和剩餐数量列出来,比较不同备餐方案。若有按时间分开的验证记录,可以报告预测区间在历史验证期覆盖了多少实际观测,并检查覆盖是否集中失败于节假日。若只有上下限情景,没有可信的概率分布,就报告各情景及结果范围,注明情景范围的来源。

关联文章 ​

MathModel FAQ · 数学建模知识库