1、关于波动率预测的模型有哪些?这些模型分别有哪些优缺点?
不知道增长趋势是什么意思，是一种状态还是一个值，所以都写下，如果能对趋势给个明显的说明那么就好办了预测增长的值可以用：有时间性：灰色预测、时间序列arima无时间性：指数平滑、移动平均预测增长的状态：马尔可夫链
2、预测模型的建立及应用
（一）数据组织
利用前文中已经提取的地质图数据（包括地层、断裂、岩体等）、地球化学异常数据、遥感构造和蚀变信息解译数据作为研究区成矿预测的数据基础。
（二）证据层选择
根据对可可托海地区矿床控矿因素的分析，认为研究区的主要控矿因素取决于以下几个方面：有利地层岩性组合发育，岩浆岩脉群发育，线性构造、环形构造发育，有利地球化学异常，铁染和羟基蚀变带。
（三）模型应用
本次工作以地质异常理论为指导，以中国地质调查局开发的矿产资源GIS评价系统MRAS1.0为平台，应用证据权重法进行稀有金属成矿预测。应用证据权法对稀有金属矿床进行预测的流程为：首先对研究区进行单元网格划分，本次工作用1000m×1000m的网格将整个工作区划分为8173个网格单元→在设定好预测范围并选定证据因子后，系统将对证据因子的先验概率进行计算→然后计算各证据因子的证据权重→在完成对证据因子的条件独立性检验之后，系统将对工作区内所划分的每一个网格单元进行后验概率的计算，其值在0～1之间，后验概率值的大小对应着成矿概率的大小。在确定整个预测评价范围内的临界值之后，图中后验概率大于临界值的地区即为预测的找矿远景区。在此基础上，根据前面所建立的有利证据层的专题图件，分别计算各证据层与稀有金属成矿的相关程度和预测评价证据权值（表4—2），并以此对研究区内各个单元进行成矿有利度的计算。
表4—2 可可托海地区各证据层权重参数表
从上表中可以看出：
1）Be、Li元素异常以及Be—Li综合元素异常其权值均在1.5以上，与稀有金属成矿关系非常密切；
2）虽然断裂缓冲区对找矿的指示意义不大，但是构造复杂度与构造中心对称度的权值均大于1，说明线性及环形断裂的发育对控矿起着非常重要的作用，它们为岩浆的侵入以及成矿元素的富集提供了条件；
3）岩体组合熵的权重约为0.97，与稀有金属矿床的形成关系较为密切；
4）根据其他证据层所提供的权重值分析得出，羟基蚀变信息、岩体缓冲区以及奥陶系对成矿有一定的指示意义，但作用不大。
（四）预测结果及评价
以所建立的可可托海地区证据权模型，计算各个预测单元的成矿有利度（以成矿的后验概率值来表示），按照后验概率相对大小，分为不同等级，不同等级赋予不同颜色，如图4—32所示。由图中可以看出，图中深蓝色（高后验概率：均值+2倍标准差－最大值）图斑呈现出良好的分带性，故根据后验概率的大小与分布，划分出四个成矿区（图4—33）。此外经检验，各证据因子之间条件独立性检验基本符合要求。
A预测区：位于可可托海镇北部，面积约18km2，其后验概率大于0.9675（均值+2倍标准差），具有良好的找矿前景。预测成矿区主体具备的有利找矿因素因素有：①该区有半数以上的区域出露有奥陶系；②具有Be—Li综合异常、Cr—Ni—Cu—Zn综合异常及Zn、Ni、Li、Cr、Be元素异常；③80%的区域位于岩体缓冲区以及断裂中心对称度异常范围内部；④全区位于岩体组合熵异常范围、构造复杂度和构造等密度异常范围内。
图4—32 稀有金属后验概率色块图
图4—33 稀有金属后验概率色块图（局部放大）
B预测区：位于可可托海镇西南4km处，面积约7km2，其后验概率大于0.9675（均值+2倍标准差），同样具有良好的找矿前景。预测区具备如下几个成矿有利条件：①全区地层位于奥陶系范围中；②具有Be—Li综合异常、Cr—Ni—Cu—Zn综合异常及Ni、Li、Cr、Be元素异常；③部分区域位于断裂缓冲区范围内；④位于岩体组合熵异常范围及构造复杂度范围内；⑤80%以上区域位于构造等密度和断裂中心对称度异常范围内。
C预测区：预测区中心位于可可托海镇西北方向约7km处，面积大约11km2，其后验概率大于0.82（均值+1.5倍标准差～均值+2倍标准差），预测区具备的有利找矿条件包括：①具有Be—Li综合异常、Cr—Ni—Cu—Zn综合异常及Li、Be元素异常；②50%以上区域地层位于奥陶系范围，Zn、Ni、Cr元素异常范围，构造等密度异常范围，断裂中心对称度异常范围内；③全区位于岩体缓冲区和岩体组合熵异常范围内部。
D预测区：预测区中心位于可可托海镇东北约4km处，面积约为8km2，其后验概率大于0.82（均值+1.5倍标准差～均值+2倍标准差），预测区具备以下几个有利的成矿条件：①具有Be—Li综合异常及Li、Be元素异常；②全区位于岩体缓冲区和岩体组合熵异常范围内部；③80%以上区域位于Cr—Ni—Cu—Zn综合异常范围、构造等密度异常范围、构造复杂度异常范围、断裂中心对称度异常范围内。
3、预测模型建立
松散含水层含水量预测模型的建立，主要是将预测松散含水层含水量问题转化为利用支持向量机求解的数学模型，主要包括如下4个步骤:
1)选取训练集T={(x1，y1)，…，(xl，yl)}∈(χ×y)l。
2)选择适当的核函数K(x，x')，如线性核函数、径向基核函数、多项式核函数和Sigmoid核函数。
3)确定支持向量机中的参数，如C，ε，γ等。
4)建立模型。
(一)训练集的选取
1.预测基本输入特征量
选取合适的训练集，对于建立松散含水层含水量预测模型是非常重要的，本课题对预测模型输入特征量的选取遵循以下原则:
1)现有物探仪器设备可测、或可转换参数，具有实用性和可观测性。
2)要与所研究地下含水层结构的综合物探方法相配套，充分挖掘所获观测数据的信息资源。
3)优化组合，兼顾所利用的输入特征量间的互补性，避免或减少冗余性。
4)保障预测模型具有广泛的推广能力。
建模时要把所有的数据分为训练集和测试集，根据训练集，求出决策函数，而用测试集测试所得决策函数的准确率。那么选择一个合适的训练集，第一要满足训练集中的样本点数量不能过多，也不能太少;第二训练集中所含特征向量不能太少，如果太少则不能够反映实际情况，影响分类或者回归的准确性，但也不能太多，否则会增加计算难度，甚至影响训练速度和时间。除了样本点多少的选择以外，还要在数据中不能选择过多的属性。属性选择要达到以下3个目的:首先是确认哪些属性与预测输出特征量相关的特性;其次是尽量降低输入空间维数，缩小求解问题的规模;最后是提高准确率，得到更好的决策函数。
基于上述原则，将支持向量机预测模型的预测输入基本特征量选定为:反演电阻率值ρ、反演含水层厚度H，半衰时Th，衰减度D，视极化率ηs，纵波速度v等地面物探观测参数作为基本输入特征量讨论。
为了验证上述输入特征量选择原则的正确性，选择了石家庄市西马庄水源地现有电测深资料与单孔单位涌水量资料并进行了秩相关性分析，原始数据见表5-1所示。分析结果如表5-2所示。
表5-1 西马庄原始数据
表5-2 西马庄电性参数与涌水量相关分析
2.综合性参数的引入
鉴于第四纪含水层一般呈高阻性，在电测深反演解释过程中易产生Th等值现象的解释误差。依据含水层的富水性对应于一定的电阻率值，而单孔单位涌水量既与含水层富水性有关，又与其厚度有关。为了尽可能消除因等值现象导致解释所产生的误差，又能使输入特征量与预测量有更为密切的相关性，使预测模型具有良好的推广能力，对此，将电测深反演后的含水层电阻率与其层厚度相乘作为一个输入特征量T'，该特征量T'与含水层单孔单位涌水量相关分析结果表明，二者有更为密切的相关性，见表5-3所示。
表5-3 综合参数与涌水量相关分析
考虑到不同的地区地下水所含矿化度的不同，因其孔隙水的导电性不同，将会导致同类富水层电阻率有较大差别。为了消除孔隙水的导电性对预测精度的影响，突出含水层有效孔隙度特征，基于ρ=αΦ-ms-nρw式，引入了相对综合因子参数T″，其表达式为
含水层含水量预测综合物探技术
式中:ρf为孔隙流体的电阻率;ρt为岩石的电阻率;H为含水层厚度。
从而将原基本输入特征量ρ和H组合为一个输入特征量T″。
3.激发比的引入
考虑到激发比可以放大激电异常，对第四系含水层有更为灵敏的反应。因此将激电模型里的极化率、衰减度参量用激发比参量代替，其表达式为J=ηsD。由表5-4和表5-5可知，激发比的引入，改善了模型预测精度。
表5-4 未引入激发比模型预测结果
表5-5 引入激发比模型预测结果
4.输入特征量的归一化
由于各输入特征量的量度差异较大，在用支持向量回归机进行建模训练和使用时，有必要对输入特征量进行归一化。归一化是指将属性数据按比例缩放，使之落入一个小的特定区域，如［-1，1］或［0，1］范围内。
归一化可以帮助防止具有较大初始值域的属性与具有较小初始值域的属性相比，权重差距过大。本次所建模型采用最小-最大规范化方法:将输入特征量归一化到［0，1］范围内。归一化公式为
含水层含水量预测综合物探技术
式中:x为某个输入参数对应的值;xmin和xmax分别为该项特征量的设置最小值和最大值;xs为该输入参数的归一化值。
5.预测输入特征量的优选
在基本预测输入特征量归一化处理的基础上，需要进一步研究特征量组合结构的优化性问题，即确定预测模型最佳输入特征量的数量和成分。
通过电测深找水实践证明:
第四纪地下含水层结构对应特定的电测深异常特征，所获取的地电参数与单孔涌水量均存在着一定的对应关系，但深入研究还表明:作为预测输入量而言，每一参量与单孔涌水量间存在着不同的相关性，输入量相互之间可能还存在着冗余成分，为提高预测模型的预测精度和模型运算速度，探讨上述地电参量与地下水单孔涌水量的相关性和输入特征量的最佳组合问题，揭示地电参数与地下含水层含水量的内在关联是十分必要的，也是确定预测模型输入特征向量的基础。
鉴于地电参数与地下含水层含水量间不存在明确的函数关系，在优化分析过程中，以石家庄市西马庄水源地的已知8眼井孔的资料为基础，将现有的已知特征量参数:T″，Th，D，ηs及激发比J作为分析对象，利用高斯径向基核函数，C=1024，ε=0.5，γ=1.0和ε-SVR模型进行7+1循环式训练-预测方式。其分析结果如表5-6所示。
由表5-6所列预测精度可得到以下结论:
表5-6 特征量的优化分析表 单位:%
第一，随着特征数量的增大，其预测精度得到提高，四个特征量预测精度最好;
第二，若采用三个特征量时，其中的T″，Th，D组合最佳，其次为T″，D，ηs。以上结论对建模时输入特征量的优化筛选提供了重要的参考依据。
6.预测模型输入特征量的确定
基于上述分析，针对研究对象的尺度及精度要求，建立了4种预测模式。对于不同的预测模型，分别确定了其输入特征量。
模型一:输入特征量为含水层的反演电阻率ρ、隔水层的反演电阻率ρ隔、含水层厚度h、含水层层数n和井孔孔径。该模型主要用于对精度要求不高的区域水文地质调查。
模型二:输入特征量为含水层的反演电阻率ρ、隔水层的反演电阻率ρ隔、视极化率ηs、含水层的半衰时Th、含水层厚度h、含水层层数n和井孔孔径。该模型主要用于专门性水文地质调查。
模型三:输入特征量为含水层的反演电阻率ρ、隔水层的反演电阻率ρ隔、视极化率ηs、半衰时Th、衰减度D、含水层厚度h、含水层层数n和井孔孔径。该模型主要用于对精度要求较高但探测深度要求不高的地下水源评价与开发工作。
模型四:输入特征量为含水层的反演电阻率ρ、隔水层的反演电阻率ρ隔、视极化率ηs、纵波波速v、含水层厚度h、含水层层数n和井孔孔径。该模型主要用于对精度要求较高，探测深度较深的地下水源评价与开发工作。
(二)核函数的选择
在建立预测模型过程中，需要选择函数K(·，·)，即选择一个映射Φ(·)，把x所在的输入空间χ映射到另一个空间H。H是一个Hilbert空间，即可以是有限维空间也可以是无穷维空间。因此核函数方法的核心内容就是采用非线性变换Φ将n维矢量空间中的随机矢量x映射到高维特征空间，在高维特征空间中设相应的线性学习算法，由于其中各坐标分量间的相互作用只限于内积，因此不需要知道非线性变换Φ的具体形式，只要利用满足Mercer条件的核函数替换线性算法中的内积，就能得到原输入空间中对应的非线性算法。
支持向量回归机中的核函数对于预测模型的推广能力产生直接的影响，在选取核函数时，通常采用的方法有:一是利用专家的先验知识预先给定核函数;二是采用Cross-Validation方法，即在核函数选取时，分别试用不同的核函数，归纳预测误差最小的核函数就是最好的核函数。在本课题中我们采用了第二种方法进行核函数的选择。
为使确定的核函数具有最佳的预测效果，首先要对相应的核数的参数进行优化筛选。由(5-20)，(5-22)，(5-24)式可见，径向基核函数需要确定1个核参数，即系数γ;Sigmoid核函数需要确定2个参数，分别为:系数γ和常数r;多项式核函数需要确定3个参数，分别为:阶数d、系数γ和常数r。
在筛选过程中，将石家庄市西马庄水源地的井旁电测深成果和抽水试验数据作为研究基础，具体数据详见表5-1所示。
将其划分为两个子集，即一个训练集和一个预测验证集。由此对上述每一种核函数利用已确定的训练集进行建模参数优化筛选。具体方法为:对于径向基函数采取了交叉验证和网格搜索的方法，多项式核函数和Sigmoid核函数采用了试凑法。
试验一:径向基核函数交叉验证
对石家庄西马庄水源地8眼井作试验数据，选出7个作为训练样本，一个不参加训练的样本。再将选出的7个训练样本随机分为3组，选择其中两组进行训练，另外一组作为验证，这样一个接一个，进行3次。每次验证时，尝试所有的参数对，计算其交叉校验的平均性能MSE，最后以模型在3次验证数据上的性能平均值作为这一学习参数下的模型性能，然后循环8次，从而确定最佳参数值范围。确定的搜索范围分别为C(2-10，215)，ε(2-10，23)，γ(2-10，210)。为了增加搜索速度，我们步长选择的是2的指数倍。最终确定参数C=1024，ε=0.5，γ=1。
试验二:多项式核函数试凑法
借鉴试验一的分析结果，选择参数C=1024，ε=0.5。在选取核参数之前，我们需要对多项式核的阶数d做出限定，选择的阶数不易过大，如阶数太大，不仅增加了学习模型的复杂性，易出现“过拟合”现象，导致SVM的推广性能降低。因此，规定d的取值不超过4。另外对γ和r做了初步筛选，圈定了其范围分别为:γ∈［1，4］;r∈［0.1，1］。然后采用阶梯式搜索分别找出最优的阶数d、系数γ和常数r;
首先进行阶数d的选择，设定参数γ=1，r=0.2;从8眼井中选出7个作为训练样本，d依次选择1、2、3、4进行训练，预测那个没有参加训练的样本，循环8次然后将预测结果进行对比。本文采用两个误差指标来衡量模型的预测效果:均方误差(MSE)和平均绝对百分比误差(MAPE)，其表达式分别为
含水层含水量预测综合物探技术
式中: 为预测值;xi为实测值;N为试验次数，这里N取8。
由表5-7可以看出:当d=3或d=4时，预测精度相近，但考虑到阶数越大，学习模型的复杂性越大，因此选取d=3最佳参数。
表5-7 不同阶数多项式核函数对预测结果影响统计表
然后进行系数γ选择，设定参数d=3，r=0.2;γ依次选择1、2、3、4进行训练，然后将预测结果进行对比，可知γ=1为最佳参数(表5-8)。
表5-8 不同γ多项式核函数对预测结果影响统计表
最后进行常数r的选择，设定参数d=3，γ=1.0;r依次选择0.2、0.4、0.6、0.8和1进行训练，然后将预测结果进行对比，可知r=0.8为最佳参数(表5-9)。
表5-9 不同r多项式核函数对预测结果影响统计表
最终确定参数d=3，γ=1，r=0。
试验三:Sigmoid核函数试凑法
选取石家庄西马庄水源地8眼井作试验数据，仍借鉴试验一的分析结果，选择参数C=1024，ε=0.5。
对γ和r做了初步筛选后，确定γ为0.1;圈定r∈［0.01，1］。下边对参数r进行精细选择，设定r值分别为:0.01、0.1、0.2、0.4、0.8，从8眼井中选出7个作为训练样本，预测样本不参加训练集，经过8次循环，通过对预测结果的对比，从而确定r=0.01～0.1时预测效果最好。分析结果如表5-10所示。
表5-10 不同rSigmoid核函数对预测结果影响统计表
核函数的选择通常采用Cross-Validation法，即在核函数选取时，分别试用不同的核函数，归纳预测误差最小的核函数就是最好的核函数。
我们将石家庄西马庄8眼井的资料与北京潮白河水源地7眼井的资料组合建立新的建模集，从中任意选出14个作为训练集样本，另外1个样本组成预测集，这样进行了8组试验，通过图5-3我们看到基于RBF核函数的预测模型预测精度最高。因此我们认为利用RBF核函数建立的含水层含水量预测模型预测效果最佳。
图5-3 三种核函数预测精度对比
(三)参数确定
采用径向基核函数所建立的模型需要确定的参数共有三个，分别为核函数参数γ，惩罚系数C和松弛变量ε。
惩罚因子C为正常数，惩罚因子C决定了对超出误差ε的样本惩罚程度。从结构风险的角度考虑，C值取得过大，问题倾向于经验最小，忽略对结构复杂程度的考虑;反之则更多地考虑了问题的复杂程度，忽略了经验数据的作用。因此可以说，C是支持向量机回归和泛化能力的平衡参数。惩罚因子C取不同的常数值，对结果有不同的影响。
由表5-11可知当C值取1024和2048时预测精度相同，说明当C大于一定值时，其变化对分析结果产生的影响变小。
表5-11 不同C值对预测结果影响统计表
通过对比试验，最终取值C=1024，ε=0.5，γ=1.0。
(四)模型建立
构造并求解最优化问题
含水层含水量预测综合物探技术
得到最优解 每个支持值β=(a*i-ai)。
构造决策函数
含水层含水量预测综合物探技术
其中
将所求得的核函数系数、β值及b值带入5-44式，即为ε-SVR预测模型。
4、有什么加速模型可以预测锂离子电池的寿命
目前完全采用纯物理模型还很难实现精确预测锂电池的寿命，大部分还是采用数理统计的方式，这方面数据已经积累很多了，加入若干相关因素的修正即可。
5、预测模型参数界定
根据3.3.2小节中对美国本土48州(不含深水区域)原油储量增长历史的阶段划分，美国本土48州(不含深水区)在1970年新增可采储量稳定增长阶段结束时，累计原油探明率为50.79%，之后进入新增可采储量递减阶段。在1949～2005年的56年里，中国原油累计探明率的增长历史曲线与美国本土48州(不含深水区域)1900～1956年间的历史曲线最为接近；此外，美国本土48州(不含深水区域)的海陆沉积岩面积与中国接近，而且陆上油气藏类型丰富，它的储量和产量增长历史将为中国提供有价值的借鉴经验。因此，在预测中国新增可采储量与产量增长趋势时，将选取与美国本土48州(不含深水区)作为类比对象，并选择与之接近的原油累计资源探明率50%作为新增可采储量增长阶段的转折点。
此外，根据中国最新一轮的油气资源评价结果，不含中国南海深水区的原油资源量为：累积大于概率为95%(P95)的原油资源量为157.5亿吨；累积大于概率为50%(P50)的原油资源量为198亿吨；累积大于概率为5%(P5)的原油资源量为263.7亿吨。在预测我国原油新增可采储量与产量的模型中，对不同资源量条件下的中国原油新增可采储量与产量进行预测。为获得长期的原油储量与产量预测结果，预测区间选取2006～2100年。
根据中美原油新增可采储量增长阶段的类比结果，中国目前已进入稳定增长的阶段，在此阶段中，中国从20世纪80年代后期开始对石油工业进行改革，三大石油公司在20世纪90年代以后逐渐成为市场竞争主体，新增可采储量呈现出稳中有升的趋势。1990～2005年，中国的新增可采储量从1.33亿吨增至1.64亿吨，增长速度为年均1.6%，在预测中国储量增长的过程中，继续采用1.6%作为稳定增长阶段的储量平均增长速度；在新增可采储量递减阶段，美国本土48州(不含深水区域)的新增可采储量以年均1.6%的速度递减。这里借鉴美国的储量增长历程，将中国的新增可采储量的递减速度设定为较为接近的2%。
1999年，中国的原油消费超过了2亿吨/年的水平；同年，中国石油和中国石化两大集团公司的重组，以及其股份公司的先后上市都促进了中国原油产量的上升，储采比也从1999年以来以近2%速度下降。在本预测模型中，继续选取2%作为储采比的下降速度。
图5.2 油气储量与产量预测流程图
6、三种预测模型效果比较
唐益群（2007）提出的工程中常用的基坑降水造成沉降的经验公式：
基坑降水工程的环境效应与评价方法
式中：ΔH——降水深度，为降水面和原地下水位面的深度差；
ΔP——降水产生的自重附加应力，ΔP=ΔH·γw/4；
E——降水深度范围内土层的压缩模量。
对于同样5组实测数据应用三种不同方法预测地面沉降量的结果见表4-13。由表可见工程经验估算法结果的相对误差大多大于40%，基于BP神经网络地面沉降预测模型预测误差可控制在不大于20%，支持向量基地面沉降预测模型预测误差可控制在不大于10%。可见无论是基于BP神经网络理论还是基于支持向量机理论的预测模型，其预测精度均好于传统经验公式。
表4.12 工程经验估算法误差分析
表4.13 三种方法误差对比
导致以上结果的原因如下：
（1）工程经验法考虑的引发基坑周边地面沉降的因素较少，且其推导过程很难准确反映真实的水土耦合作用过程。
（2）BP神经网络虽然理论上能够得到较理想的预测结果，但其准确度高度依赖于样本数量的多少和样本质量，而在实际工程应用中，很难获得大量高质量的工程监测数据作为训练样本，可能是此次项目研究中采用该方法没能得到理想结果的原因。
（3）支持向量机能够适应根据小样本数据进行预测的情况，并且能够从有限样本中剔除低质量的较为离散的样本数据，从而对于基坑降水引发的地面沉降的预测给出了较为理想的结果。
7、求高手指点！ 请问数据预测模型的方法 如下图趋势的数据，应该用什么预测模型呢？
这个要看你做的是哪方面的 变量都有经济意义的 不同的变量会比较适合不同的模型！建议查一下现在常用的模型，比如对数模型，看看适用于那类的变量。如果真的找不到依据说这几个变量通常应用哪个模型，那就用最普通的回归去做！如果感觉t值一类的指标都符合现实意义，那就差不多。如果指标值与现实经济意义相去甚远，那么有两个办法：第一，适当调整原来的模型，比如是不是有异方差之类的，调完看看怎么样；第二，换 别的模型去试一试。最后可以确立一个相对符合的模型。如果是做论文的话，建议考虑一下为什么这个模型适用，分析一下经济原因，举个白痴一点的例子：您想用母鸡的数量解释鸡蛋的产量，那么推测应该使用线性回归模型，因为一只鸡下n只蛋，那么基于同一个养鸡场的鸡下蛋的数量基本相同的假设，使用线性回归对此关系进行分析……希望对您有所帮助
8、汽车电子产品市场预测的步骤有哪些？
一､市场预测的主要步骤市场预测的主要步骤如下:第一步:确定预测目标｡
第二步:收集处理资料｡
第三步:选择预测方法｡
第四步:建立预测模型｡
第五步:评价预测模型｡
第六步:进行预测｡
第七步:分析预测结果｡
第八步:提交预测报告｡
二､汽车电子产品市场预测注意问题汽车电子产品市场预测应注意的问题如下:政策变化､预测结果的可信度､预测的方案､拟合度与精确度､预测的期限､预测模型､数据处理与模型调整､实际与想象等｡
9、关于模型预测的matlab程序？
我没有自己看你的程序，不过通过图可以看得清楚啊，实际输出用‘o’表示，预测的用‘+’表示。第一个图估计是初始化，也就是第一步，预测还没有开始，还是相等的点。而下图表示，已经预测结束，与实际基本吻合。