数据里的预测模型，基本就是三大派：时间序列、灰色预测模型、神经网络。这篇 PDF 就是把这仨讲得明明白白。模型思路、适用场景、优劣对比，全都摆得挺清楚。适合你要快速了解模型选型，或者准备建模前想理一理思路的时候看看。

时间序列的关键点在于“时间”两个字——数据有先后顺序，趋势、季节性这些特征不能忽视。像ARIMA和SARIMA，就适合拿来搞非平稳数据，做趋势预测挺稳的，比如销售额、气温这类数据。

灰色预测模型的优势在“小样本”和“不完整信息”这块，尤其是GM(1,1)，建模逻辑不复杂，响应也快。数据少？没关系，灰色模型照样能凑合着预测一把。像库存管理、小批量销售预测，用起来挺顺手。

说到神经网络，就得提RNN和LSTM。这俩在时间序列时，比普通前馈网络聪明不少，能记住过去的数据，预测未来变化。啥时候用？比如股市波动、用户活跃度、文本情感这类，非线性且有时间依赖的场景就靠它了。

哦对了，作者还贴了不少代码资源，比如 GM(1,1) 的 R 实现、小波神经网络代码、预测方法大合集 等，挺实用的。要用哪个模型，直接下下来跑一跑，效率高多了。

如果你平时做数据经常遇到“怎么选模型”、“样本太少”、“波动太大”这些烦恼，那这份 PDF 真的可以收一份，关键时候翻一翻，思路就通了。