在之前的数模竞赛中，即便是美赛O奖的作品中，我们都能看到诸如灰色预测这样的用MATLAB实现的方法，实际上我们有时间序列，回归等一系列比较常用的预测方法。
在18年前后，预测类数模问题变得较为尴尬，不是因为这些题目简单，是因为大家都有了一套两套现成的算法，拿题后只要找到数据就能很快跑程序出数据出图写论文。所以那个时候基本上很少有预测的题目再出现了。实际上，评价类模型和预测类模型都是这样，因为人均都会，所以导致我们不会见到一整个大题全是讲预测的。在这之前，我们在国赛见过人口增加预测，长江水质预测，世博会影响预测等等，那个时候基本上都是用matlab去实现这些数据的处理和预测。说起来，在15年我本科入学的时候有个风潮，就是互联网+，那个时候就是谁有着一个什么创新创业的点子，就可以去参加比赛拿拿奖。我一看这还要做ppt路演，搞得比较商业，当时就没怎么关注，毕竟我只喜欢参加埋头做题的比赛。上台说话这种我比较怯场，不过我也不是没有改变自己，有一次我最终鼓起勇气去参加了学校一个英语辩论赛，初赛只有抽题观点陈述这一部分，不用和别的同学正面对抗，所以我侥幸侃侃而谈，成功入围复赛，高兴之余，也激动地和室友报喜，随后联系复赛管理人员说我不去了，名额因此也顺延给了后一名，不知道算不算得上一桩美谈。扯远了，主要是那个时候搞互联网+，什么东西都要加互联网，超市+互联网=做个订超市app，打车+互联网=打车软件。现在python很火，颇有一番人工智能+的趋势。在数模领域，除了matlab，学会python搞人工智能应用也将是一个趋势，不过吧，实际上MATLAB也能实现一部分。那么在预测类这方面，用python的话：LSTM：长短期记忆网络GRU：门控循环单元DBN：深度置信网络QNN：量子神经网络SVR：支持向量机XGBoost：极端梯度提升CNN：卷积神经网络ESN：回声状态网络……举例的这些方法都可以被应用到预测中，如果你搜索这些算法，你会发现有不少核心期刊论文，通篇运用这些方法来做预测。至少我们现在做数模论文，是几乎无法发表那些预测类论文至核心期刊的。那么，你是不是应该选一个关键词，找个时间搜索原理和源代码，然后学会如何应用模型呢？