基于协方差交叉法的交互多模型卡尔曼滤波算法，2015年提出的。只有函数，主函数可以联系我houbowen95@126.com，希望多多交流

事实上，在预测实践中，对于同个问题，我们常采用不同的预测方法。不同的预测方法其预测精度往往也不相同。一般是以预测误差平方和作为评价预测方法优劣的标准，从各种预测方法中选取预测误差平方和最小的预测方法。不同的预测方法往往能提供不同的有用信息，如果简单地将预测误差平方和较大的方法舍弃，将推动一些有用的信息。科学的作法是将不同的预测方法进行适当组合，形成组合预测方法。其目的是综合利用各种预测方法所提供的信息，以提高预测精度。

交互式多模型扩展卡尔曼滤波（IMM-EKF）算法是解决机动载体运动模型不确定的定位问题的次优算法，在载体做模型确定的运动时该方法仍得到次优解且浪费运算资源。针对IMM-EKF算法的此类缺陷，采用离线训练的概率神经网络模型，实时判断当前运动模型分类，在运动模型确定的状态下选择对应的单一模型进行运算，而在运动模型不确定的状态下选择IMM-EKF算法，既保证定位精度，又减少了不必要的运算量。仿真对比实验验证了相比于IMM-EKF算法，新算法在精度方面的优势。

三维高速机动目标跟踪交互式多模型算法 实用的好文章

电信行业用户流失预警案例——python实现多模型预测

MATLABIMM交互多模型算法

1.针对一类参数未知的非线性离散时间动态系统，提出了一种新的基于神经网络的MMAC方法。首先，将系统分为线性部分和非线性部分。针对系统线性部分采用局部化方法逮立多个固定模型覆盖系统的参数范围，在此基础上，建立自适应模型来提高系统性能；针对系统非线性部分建立非线性神经网络预测模型来邏近系统的非线性。然后，针对每个子模型设计相应的擅制器。最后，设计基于误差范数形式的性能指标函数对控制器进行硬切换。仿真结果表明，所提出的MMAC方法与传统的在参数空间均匀分布的MMAC方法相比能显著提高非线性系统的暂态性能。

对三维机动目标,尤其是高速机动目标的跟踪一直是目标跟踪领域的重点和难点,通过二维或解耦模型扩展并不一定能满足精度要求.提出了一种基于常速模型、"当前"统计模型、带约束的三维常速率协同转弯模型的交互式多模型算法.通过对包括匀加速模型、Singer模型、"当前"统计模型在内的不同模型组合进行Monte-Carlo仿真比较表明本算法对三维高速机动目标跟踪是有效性,并具有很好的实用性.

采用多种方法（LSA，TFIDF，Doc2Vec）建立新闻搜索系统，每个搭建一个模型，内含数据跟训练调用方法。

机器学习算法进行非时间序列的房价预测，多模型融合为主要思想，提升算法Xgboost