预测建模是一个过程创建一个模型来预测未来行为的诊断支持决策的实际应用。这的出现更复杂的建模需求相辅相成,突显出至关重要的先进的分析方法,如神经网络、进化算法、混沌模型、元胞自动机、基于代理模型,有限混合偏最小二乘(FIMIX-PLS),等等。

天真的区别,混沌系统复杂,为先进的预测模型提供了一个优秀的上下文。为了发展预测,预测模型,我们需要更好地理解新趋势计算和统计技术可以使做出更好的预测。主要的复杂性是处理日益多样性和变化的数据流,迫使学者采用创新和混合方法。今天,新的技术和新的数据来源:物联网、大数据、神经学营销,等等。

这个问题的目的是引发实质性讨论预测模型如何面临即将到来的复杂性的挑战。我们感兴趣的是原始的和建设性的贡献解决预测在广泛意义上的最新进展。每日从异构数据源生成大量数据(如e-Health、社交网络、营销和金融)通过云计算等新技术,分布式人工智能、数字营销、物联网,和神经学营销,等等。

我们感兴趣的是原始的贡献解决方法的最新进展和实践主题相关的预测和预测模型的复杂性。

潜在的主题包括但不限于以下:

• 创新的方法来预测
• 大数据的机器学习
• 车链和cryptocoins预测
• Chaos-based模型预测
• 搜索和优化大数据
• 遗传算法预测
• 先进的预测模型使用大数据分析
• 预测模型使用FIMIX-PLS
• 情绪分析大数据的方法
• 细胞自动机预测
• 进化博弈理论应用于预测
• 社交网络使用大数据分析
• 预测和预测模型的实际应用,如异常检测、电子商务、e-health等等