根据权威信息源，常见预测模型可分为以下五类，涵盖时间序列、回归分析、神经网络及组合模型等：

一、时间序列预测模型

1. ARIMA模型

   自回归移动平均模型，适用于线性和季节性时间序列数据，通过自回归、差分和移动平均等步骤捕捉趋势和季节性。

2. 指数平滑模型

   包括简单平滑、Holt线性趋势模型等，通过加权平均历史数据预测未来值，适用于线性趋势且无季节性的场景。

3. 季节性指数预测模型

   专门处理具有明显季节性的数据，通过季节性调整提高预测准确性。

二、回归分析模型

1. 线性回归

   通过建立线性关系预测因变量与自变量关系，适用于数据满足线性假设的场景。

2. 逻辑回归

   用于二分类问题，通过sigmoid函数将线性回归结果映射为概率值。

三、神经网络模型

1. BP神经网络

   通过反向传播算法训练模型，适用于复杂非线性关系和多指标预测。

2. LSTM与Transformer-BiLSTM

   • LSTM处理长期依赖关系，适用于波动性预测（如金融市场）；

   • Transformer结合BiLSTM，利用注意力机制捕捉全局与局部时序特征，提升预测精度。

四、其他常用模型

• 灰色预测模型 ：基于不完全信息建立模型，适合小样本预测；

• 马尔科夫链 ：仅依赖当前状态预测未来，适用于状态转移规律明确的场景。

五、组合预测模型

通过融合多种模型（如神经网络+回归分析）提高预测稳定性，例如基于CEEMDAN-Transformer-BiLSTM+XGBoost的创新组合模型。