近年来,复杂问题的决策过程在复杂性、频度及广度上与以往有本质上的区别,同时,决策问题的不确定性也越来越大,人们传统的决策思维和模式受到冲击,传统的基于人工经验的决策方法难以满足大数据时代的要求,基于数据驱动的智能决策成为主旋律。智能决策将在公共管理、交通运输和工业制造等众多领域带来福利。如何把大数据中的数据优势转化为决策优势,是当下智能决策的研究热点。目前,将机器学习、数理统计等传统方法应用于决策,难以高效的处理复杂问题和不确定问题,而三支决策理论和方法可以有效的处理复杂问题和不确定问题,受到众多学者的关注和探索。三支决策的基本思想方法是“以三思考”。随着三支决策的发展,逐步形成一种分、治、效（Trisecting-acting-outcome,简称TAO）的三支决策模型。分表示一分为三,治表示设计策略施加（治略）,效用于评估分、治的效果。目前对于三支决策有效性度量的研究一般思路是:在策略施加后,计算策略施加前后效益的差值,通过差值进行有效性度量。然而策略的施加需要付出成本,进而导致有效性为负的情况发生。为了降低这种无效策略的施加,提升策略施加的有效性,可以在策略施加前对策略的有效性进行预测。针对这个问题,本课题基于移动三支决策模型（Movement-based three-way decisions,简称M-3WD）提出策略的有效性预测方法。（1）策略有效性的预测不受决策者主观偏好的影响,即不带对象偏好的三支决策模型,本课题提出基于马尔可夫模型的有效性预测方法。依托TAO模型,在M-3WD模型基础上,重新的视野和角度开展对“效”的测量,形成一个新的度量框架——带有移动偏好的动态区域移动模型,基于提出一种“治略”的有效性预测方法。首先,针对三分区在移动过程中状态的转换,提出表征对象移动稳定性的指标-移动效力指数（Movement effectiveness index,简称MEI）。其次,针对动态移动的各阶段,利用马尔可夫模型预测三分区的状态矩阵,结合移动效益指数预估移动后的三分区效益,据此来决定是否要进行此次“治略”,从而将效果度量转换为移动前的效果预测。最后,利用实例分析来说明模型的高效性。（2）策略有效性的预测受决策者的主观偏好的影响,即带有对象偏好的三支决策模型,本课题提出基于模糊马尔可夫模型的有效性预测方法。借助模糊马尔可夫对策略施加的有效性预测和分析进行建模,通过移动的三分区与马尔可夫模型中的状态之间建立对应关系。具体来说,我们提出一个由三等分表示的模糊集来表示对象满意度,其分别为U+（k）,U～（k）,U-（k）,对应对象的态度分别为满意、不确定和不满意。此外,每个策略施加后的三分区与满意度集合之间的隶属关系定义为策略有效性指数（Strategy effectiveness index,简称SEI）。根据模糊马尔可夫模型的特点,实现了预测的有效性,从而避免执行无效和低效率策略。最后,利用投票模型的例子来阐述所提有效性度量方法的可行性。