6．1．2模糊推理预测方法
模糊推理预测方法以聚类分析、近似推理为理论基础，模拟人的经验形成过程和基于经验的推理、判断与决策，即基于实践中积累的丰富经验将事物整理归类，形成了一系列的含有条件(原因)与结果“标准”类型，并将遇到新情况与各个标准类型进行比较，根据它对各标准类型的隶属程度，综合考虑，进而做出判断与决策。
    对上述过程中的每一环节，都可以用数量方法去模拟。经验的形成可以通过对历史数据的聚类分析来实现。每一标准类型的因果特征，可以用模糊集合来抽象化。这是指对每一标准类型的原因部分与结果部分都分别用两个模糊集合进行表征，表征原因的模糊集与表征结果的模糊集之间的对应关系，代表一个推理渠道。经验的运用是指，计算输入原因矢量对各原因模糊集的隶属度，据此做模式识别，最后对所属类型的结果模糊集做一定处理，作为预测结果。
6．1．3神经网络方法与模糊推理预测方法对比
    神经网络预测方法与模糊推理预测方法都没有方程，没有变量间线性关系的要求，通过模拟人脑的某些功能，适于处理非线性系统的预测问题，但又分别有自己的优势与不足。
    神经网络具备很强的学习能力，善于模式识别，但在表现逻辑推理方面显然欠缺。主要表现在给定网络一个输入，网络就会产生一个输出作为预测结果，并不推断问题是否具备可预测性，对预测结果的合理性缺乏必要的解释。事实上，输人的原因矢量落在训练样本分布的那一部分原因状态空间之内或附近时，输出预测结果可信度高，问题具备可预测性；当输入矢量与训练样本原因状态空间相距较远时，问题不具备可预测性，预测结果不再可靠。但网络并不因问题的可预测性差，就不做预测，对结果的可靠性也不做声明，这很可能对决策造成误导。
    模糊推理预测方法以近似推理为基础，有较强的逻辑推理能力，但其学习能力、模式识别能力又明显不足。这主要表现在它对聚类得到的标准类型的特征提取过程中。模型中是以模糊集合对特征进行提取，这就有一个确定模糊集合隶属函数的问题。由于模型不能通过对样本的学习自动生成隶属函数，通常的方法是建模者凭经验选择一种常用的隶属函数类型来近似，至于隶属函数中的参数，则通过对样本的计算得到。但由于实际问题中隶属函数曲线(曲面)表现为各式各样，尤其当变量数增加时，凭经验很难确定用什么样的隶属函数来表现模糊集合更为合适。不恰当的隶属函数将影响到推理渠道的合理性及模式识别的准确性，进而影响到预测
结果的可靠性。
    考虑到神经网络预测与模糊预测两种方法各有优劣，可把二者结合起来，取长补短，可构造出既具备很强的学习、识别能力，又擅长逻辑推理的智能化预测模型。
    ……