Modelowanie predykcyjne jest techniką, która wykorzystuje metody matematyczne i obliczeniowe do przewidywania zdarzeń lub wyników. Podejście matematyczne wykorzystuje model oparty na równaniach, który opisuje rozpatrywane zjawisko. Model jest używany do prognozowania wyniku w pewnym przyszłym stanie lub czasie w oparciu o zmiany danych wejściowych modelu. Parametry modelu pomagają wyjaśnić, w jaki sposób dane wejściowe modelu wpływają na wynik. Przykłady obejmują modele regresji szeregów czasowych do przewidywania natężenia ruchu lotniczego lub przewidywania wydajności paliwa w oparciu o model regresji liniowej prędkości silnika w stosunku do obciążenia.
Podejście obliczeniowe do modelowania predykcyjnego różni się od podejścia matematycznego, ponieważ opiera się na modelach, które nie są łatwe do wyjaśnienia w formie równań i często wymagają technik symulacyjnych do stworzenia prognozy. Podejście to jest często nazywane modelowaniem predykcyjnym „czarnej skrzynki”, ponieważ struktura modelu nie zapewnia wglądu w czynniki, które odwzorowują dane wejściowe modelu na wynik. Przykłady obejmują wykorzystanie sieci neuronowych do przewidywania, z której winiarni pochodzi kieliszek wina lub drzew decyzyjnych do przewidywania ratingu kredytowego kredytobiorcy.
Modelowanie predykcyjne jest często wykonywane przy użyciu dopasowania krzywej i powierzchni, regresji szeregów czasowych lub podejścia uczenia maszynowego. Niezależnie od zastosowanego podejścia, proces tworzenia modelu predykcyjnego jest taki sam dla wszystkich metod. Kroki są następujące: