A jövőre vonatkozó következtetések levonására, előrejelzések készítésére alkalmas folyamatmodellek működése matematikai függvényeken keresztül valósul meg. A függvények számára bemenetként a hely-, és idő attribútumok mellett az objektumokra jellemző kvalitatív és kvantitatív attribútumok szolgálnak, a függvények működését pedig azok paraméterezésével lehet befolyásolni. A modell minősége nagyban függ a felhasznált függvényektől, hiszen a valóság leírása matematikai formulákkal mindig közelítés formájában történik, ennek pontossága pedig a felhasznált adatok mellett a matematikai megfogalmazáson is múlik. Ebből a szempontból léteznek nyitott és zárt -„fekete dobozként” viselkedő- modellező szoftverek (12.3.ábra). Előbbiek csoportjába azon programok tartoznak, melyekben a felhasznált függvények szabadon módosíthatók, vagy legalábbis a dokumentáció részletesen ismerteti a modellezés során alkalmazott matematikai formulákat (pl. nyílt forráskódú szoftverek), utóbbiak esetében a szoftver készítője nem hozza nyilvánosságra a modellező függvények pontos leírását, így a felhasználó csak kísérleti úton tudja vázlatosan visszafejteni a modell működését. Ez abból a szempontból hátrány, hogy bizonyos területek vagy jelenségek a megszokottól eltérő, speciális modellt igényelnek, melyet az átlagos folyamatokra optimalizált függvények kevésbé képesek valósághűen modellezni.
12.3. ábra - ArcGIS ModelBuilder – modellezést segítő eszköz az ArcGIS vektoros geoinformatikai szoftverben
 |
A függvények paraméterezésével gyakorlatilag a vizsgált terület vagy folyamat egyedi tulajdonságai állíthatók be. Például egy közúti közlekedési modellnél nem mellékes, hogy a vizsgált útszakasz lakott területen belül vagy kívül fekszik, a járművek autópályán, főúton vagy szűk utcákban haladnak, milyen az útburkolat stb. A komolyabb modellező szoftverek el is várják az ilyen típusú változó paraméterek megadását.
A prediktív modellek esetében a modellezés folyamata három fázisból áll:
1. Először meg kell határozni, hogy melyek azok a leíró attribútumok, amik relevánsak a modell szempontjából. Például egy lefolyási modellnél a lejtőszög és a csapadékmennyiség fontos bemenő adat, a napsugarak beesési szögére vonatkozó információk viszont csak speciális esetekben lehetnek hasznosak.
2. A következő lépésben a kiválasztott attribútumok felhasználásával célszerű lefuttatni az algoritmust múltbeli folyamatok modellezésére. A már lezajlott folyamatra vonatkozó térbeli és időbeli adatok ismeretében könnyen összevethető a modell a valósággal. Ha a valóságtól távolálló eredményt kapunk a modellezés során, akkor két lehetőségünk van a modell finomítására: a függvény paraméterezésén kell változtatni, vagy a felhasznált bemenő adatokat kell gondosabban kiválasztani (12.4. ábra).
3. Amennyiben az archív adatsorokra épülő modellünk jól közelíti a múltbeli folyamatok lefutását, meg kell határozni azokat a jelenben elérhető vagy mérhető adatokat, amikre szükség van a prediktív modellhez. Ezek biztosításával folyamatosan, jó közelítéssel lehet előrejelzéseket adni egy adott folyamat várható térbeli és időbeli lezajlására vonatkozóan. Mivel a bemeneti adatok az idő függvényében ritkán tekinthetők konstansnak, sokkal inkább sztochasztikusnak, így legtöbbször az előrejelzés távlatától függ a modellünk pontossága is. Egy-egy újabb folyamat lezajlása után a friss adatok birtokában célszerű a 2. lépést megismételni és finomítani a modellt (12.5.ábra).
