1. 系統性地理解預測的核心內涵，建立對預測技術的全面認知框架，為后續深入學習奠定堅實的認知基礎。

2. 全面掌握預測的完整方法論體系，重點攻克特征構建及選擇這一核心難點。

3. 深入理解主流預測算法的核心原理與應用價值，清晰掌握不同算法的適用場景、數據要求及性能優劣，能夠結合具體業務問題的特點，針對性選用適配的算法邏輯，避免“算法選型盲目化”的問題。

4. 熟練掌握預測模型從搭建到落地的全流程實操方法，真正實現預測能力從“理論認知”到“業務落地”的轉化。

第一講：大數據預測入門——基礎認知與核心邏輯

一、什么是“預測”

1. 預測的定義

2. 預測的特點

3. 預測的分類

1）按范圍分類：宏觀預測、微觀預測

2）按時間長短分類：短期預測、中期預測、長期預測

3）按有無假設條件分類：條件預測、無條件預測

4）按預測結果的要求分類：定性預測、定量預測、定時預測

5）按趨勢是否確定分類：確定性預測、隨機性預測

6）按預測依據分類：動態預測、靜態預測

4. 有效“預測”須注意

——目的性、連貫性、關聯性、近大遠小、概率性、反饋性、及時性、經濟性

二、什么是“大數據”

思考：通過生活實例，說明大數據的存在和必要性。

1. 政策推動

2. 范式變革

1）信息化

2）數字化

3）智能化

4）智慧化

3. 認知亂象

4. 大數據的核心內涵

案例：寓言故事，對象定義不清的大數據啟發。

5. 大數據的定義

6. 大數據的目標要求

思考分享：工作生活中您認為哪些算得上大數據？為什么？

三、大數據與預測

1. “大數據”與“預測”的關系定位

2. “大數據”與“預測”的邏輯關系

3. 大數據預測的特征

1）全樣，而非抽樣

2）效率，而非精確

3）相關，而非因果

案例：球賽勝負預測、氣象預測

思考分享：消除認識偏差

第二講：大數據預測方法——方法體系與技術原理

思考：“在什么時候需要引入流程”？

一、大數據預測流程

——確定主題要素、開展數據治理、選擇方法、分析規律、建立模型、評估效果

二、大數據預測方法

思考：“為什么奶茶店雨天銷量高”？

1. 確定主題要素

分享：請列舉一個預測目標，說明其主題要素。

2. 開展數據治理

思考：生活工作中，是否進行過數據治理，請簡單介紹。

3. 選擇方法

思考：六類方法的生活實例。

——相關分析、對應分析、頻譜分析、趨勢分析、聚類分析、關聯分析

4. 分析規律

1）為什么要“分析規律”

2）規律分類

——趨勢性、周期性、波動性、相關性、相似性、項關聯性、段關聯性

5. 建立模型

1）構建特征：獲得表現力強的特征

2）特征選擇：選出特征子集

3）算法選擇，模型構建

案例：“房價”預測

a線性回歸模型－嶺回歸

案例：“地區GDP”預測

b線性回歸模型－分位數回歸

案例：“城鎮居民收入分布”預測

c復雜回歸模型－支持向量機回歸

案例：“交通流量”預測

d時間序列模型－向量自回歸

案例：“宏觀經濟”預測

4）模型測試：檢驗模型

5）模型優化：參數優化

思考：通過實例對模型參數優化進行描述說明。

6. 評估效果

三、預測保障方法

1. 界定問題

案例：以企業中層管理者對“市場占有率”的預測，說明問題界定的三個方面。

2. 判斷預測法

案例：以是否買房為出發點，對房產前景進行預測，說明判斷預測的三個方面。

3. 外推預測法

案例：以汽車產業的發展為出發點，對某一類汽車的銷量進行預測，說明外推預測法的三個方面。

4. 因果預測法

案例：以大氣環境的變化為出發點，對霧霾的變化趨勢進行預測，說明因果預測法的三個方面。

思考分享：請談一談自己親身經歷的預測實例，并說明預測過程。

第三講：大數據預測應用——行業落地與實踐案例

一、電力行業負荷曲線預測

二、電力負荷預測的需求分析

三、短期日負荷預測過程

1. 確定主題要素

2. 開展數據治理

3. 選擇方法分析規律

4. 構建特征，選擇特征

5. 基于RBF神經網絡的預測

1）確定最優參數

2）建模預測

6. 基于RBF神經網絡預測的效果評估

7. 基于LS－SVMR算法的預測

1）確定最優參數

2）建模預測

8. 基于LS－SVMR算法預測的效果評估

思考與總結：

1. 實操注意什么

2. 實現難點是什么

3. 掌握程度是什么

預測實操：選擇一個行業需求，進行預測：需求分析、確定主題、數據準備、選擇算法分析規律、建立模型、效果評估。