数据（Data）
数据是对世界的度量和表示，代表一种可测量的量,描述一个事实或与其他事物无关的事件陈述，是外部世界中客观事物的符号记录，一般指没有特定时间，空间背景和意义的数字，文字和图像或者声音等。数据反映客观事物的某种运动状态，可定义为有意义的实体，它涉及事物的存在形式。
信息(information)
信息是经过分析后从数据中获得的，可以看做多个数据以及对它们的描述组成，体现了对某一种关系的理解。信息来源于数据并高于数据。对于同一信息，其数据表现形式可以多种多样。
数据驱动方法（Data-driven Method）
数据驱动方法利用数据来建立模型，一方面是对历史数据的分析有助于了解系统在过去的运行中的特性，另一方面是对在线数据的分析有助于反映系统实际的运行状态。通过采集系统大量的数据运用模式学习和统计学等理论进行分析，建立系统的输入变量，可观察标量及预期输出变量之间的模型，也就是以数据为基础去发现系统模型，这种方法就称之为数据驱动建模。
数据驱动建模就是利用系统产生的大量数据中智能提取有价值的决策信息来建立决策模型，再利用这些数据对模型性能进行评估。
数据驱动建模的方法，有**传统机器学习模型**和**深度学习模型**，包括线性回归、人工神经网络、支持向量机、自适应神经模糊推理系统、小波神经网络等在内的传统机器学习模型，以及包括卷积神经网络和循环神经网络在内的深度学习模型。**神经网络建模**从仿生学角度对人脑的神经系统进行模拟，以简单非线性神经元为基本处理单元，通过广泛连接构成大规模分布式并行处理的非线性动力系统，来实现人脑所具有的感知，学习和推理等智能行为。**回归分析建模**以概率论为基础通过对系统部分资料观察，搜集和整理。依据样本推理总体，从具体到一般的归纳方法。其他方法在此不一一赘述。
从建模过程来看，数据驱动建模可以不依赖系统的机理和先验知识，从数据本身出发来发掘数据结构，从数据中提取特征，并将其转化为知识，通过数据的分析和处理，来建立输入量和输出量等之间的关系，
数据驱动建模的不足：数据驱动建模不依赖系统机理，是直接从数据集中来构建，但是当数据集对应的环境发生变化时，该模型就不再适用，需要重新构建。由于其建模方法，构建模型精度有限。如果数据驱动建模借用一定系统机理和先验知识就可以更好提取数据之间关系，得到较高精度模型。然而，数据驱动的算法模型并没有考虑系统的实际物理特性规律和差异性，对不同的系统性能预测采用无差别的数据处理与分析预测，从而导致其适应性差。
基于数据和统计的黑箱建模方法越来越受到重视。
