1. 从“练习赛”到实战数学建模竞赛的破局起点很多同学第一次接触数学建模竞赛看到“高教杯”、“C题”这些字眼心里可能就有点发怵觉得这是大神们的游戏自己连题目都看不懂。我当年也是这么过来的。但今天我们不谈高深的理论就从一个最具体、最微小的起点切入——2022年高教杯数学建模C题的第一问第一小问。这听起来像是一个微不足道的“练习赛”片段但恰恰是这种最基础的“零件”构成了你未来解决复杂综合问题的全部能力。很多人热衷于寻找“万能模型”和“速成代码”却忽略了把第一问、第一小问扎扎实实做透、做明白的价值。这道题就是一个绝佳的磨刀石。这道题的核心本质上是一个数据驱动的量化评估与预测问题。它要求你基于给定的、有限的背景信息和数据虽然题目正文未提供但我们可以根据“C题”的常见风格推断其涉及某一现实领域的量化分析如环境、经济或工程构建一个合理的数学模型对某个关键指标进行初步的测算或趋势判断。第一小问通常是整个题目的“基石”它不追求模型的复杂性但极度考验你对问题的理解能力、抽象能力以及将实际问题转化为数学语言的基本功。做对了这一小问整道题的逻辑起点就稳了这里卡住了后面大概率会全盘皆输。所以这篇文章不是给你一个“标准答案”——数学建模没有唯一答案。我要做的是带你完整走一遍作为一名参赛者面对这样一个“第一小问”应该如何拆解题目、建立思路、选择方法、进行计算、并规范呈现。我会把过程中所有需要警惕的“坑”、那些评审老师一眼就能看出的“低级错误”以及如何让你的解答显得“专业”而“扎实”的细节毫无保留地分享给你。无论你是初次参赛的小白还是想夯实基础的老手这个过程都值得你反复琢磨。2. 破题第一步深度解读“第一小问”的命题意图与隐含要求拿到题目切忌直接跳进数据和公式里。对于“第一小问”我们必须花足够的时间去“读题”而且是“带着脑子读题”。这往往比后续的计算更重要。2.1 定位“C题”风格与常见领域虽然我们不知道2022年C题的具体内容但“高教杯”全国大学生数学建模竞赛的题目风格有很强的规律可循。C题通常侧重于数据分析、统计预测、优化决策类问题背景多来源于社会经济、环境资源、企业管理等现实领域。例如可能是“碳排放预测”、“商品价格分析”、“疫情传播评估”、“生产工艺优化”等。第一小问经常是“请根据附件数据建立模型预测未来某时间段内XX指标的变化趋势”或者“请量化评估XX因素对YY指标的影响程度”。关键动作你需要立刻在脑海中建立一个“问题画像”。即使没有具体数据也要假设一个场景。比如我们假设本题是关于“城市空气质量指数AQI的预测”。那么第一小问可能是“基于过去一年的日均AQI数据建立时间序列模型预测未来一周的AQI日均值。” 这个假设将贯穿我们后续的讲解帮助你理解每个步骤。2.2 拆解问题陈述中的五个关键要素无论题目具体是什么第一小问的陈述都必然包含以下几个要素你必须像侦探一样把它们找出来研究对象Object我们要分析、预测或评估的“东西”是什么是“AQI指数”、“销售额”、“病毒传播率”还是“设备故障率”必须明确它的定义和单位。输入数据Input Data题目给了什么是“过去一年的日均数据”还是“多个城市的截面数据”或是“包含温度、湿度等多个变量的面板数据”数据的格式、时间跨度、变量维度至关重要。任务目标Task要我们具体“做”什么“预测未来值”、“计算影响系数”、“识别主要因素”、“进行等级划分”动词决定了模型的方向。输出要求Output最终要交出什么是“未来7天的预测值列表”还是一个“相关系数矩阵”或是一张“影响因素排序表”这决定了你模型输出的形式。约束与假设Constraints Assumptions题目有无特殊要求比如“不考虑节假日影响”、“假设数据服从正态分布”、“要求模型简洁易懂”。这些是建模的边界条件。注意很多同学在这里会犯“想当然”的错误。例如题目要求“预测趋势”他就只画了一条趋势线却没有给出具体的预测数值和置信区间这就不符合“输出要求”。务必逐字逐句对照。2.3 确立建模的“合理性”与“可解释性”原则对于第一小问评委最看重的往往不是模型的炫酷程度而是以下两点合理性你选择的模型是否与问题的本质匹配用线性回归去预测有明显周期波动的数据就不合理。用复杂的神经网络去拟合只有十几个数据点的问题就是“杀鸡用牛刀”且容易过拟合。可解释性你的模型结果能否用通俗的语言解释例如你得出“温度每升高1度AQI增加0.5个单位”这很容易理解。如果你只是丢出一个黑箱模型的预测结果却说不清为什么在第一小问中会大大失分。我的经验是对于第一小问优先考虑经典、稳健、解释性强的模型。如线性回归、时间序列ARIMA、指数平滑、灰色预测等。这些模型就像工具箱里的扳手和螺丝刀最常用也最能体现你的基本功。3. 模型构建四部曲以“AQI预测”为例的完整推演现在我们进入核心环节。假设我们面对的问题是“基于附件1提供的某城市2021年每日AQI数据建立预测模型估计2022年第一周1月1日至1月7日的每日AQI值。”3.1 第一步数据预处理与探索性分析EDA这是99%的初学者会草率处理但资深选手会极度重视的环节。直接套用原始数据跑模型是灾难的开始。1. 数据导入与清洗工具选择PythonPandas, NumPy或MATLAB是主流。这里用Python示例因其在数据处理上更灵活。处理缺失值检查是否有日期数据缺失。对于时间序列简单的缺失可以用前向填充ffill或线性插值但必须记录并说明你的处理方法。import pandas as pd # 假设数据已读入 DataFrame df包含‘date’和‘AQI’两列 df[date] pd.to_datetime(df[date]) # 确保日期格式 df.set_index(date, inplaceTrue) # 将日期设为索引 # 检查缺失 print(df.isnull().sum()) # 前向填充缺失值根据具体情况选择 df[AQI].fillna(methodffill, inplaceTrue)处理异常值通过箱线图或3σ原则识别异常值。对于AQI异常高值可能是真实污染事件不能简单删除。需要结合背景判断是传感器错误可剔除或修正还是真实峰值需在模型中考虑import matplotlib.pyplot as plt plt.figure(figsize(10,6)) df[AQI].plot(titleDaily AQI Trend) plt.show() # 箱线图观察 df[AQI].plot(kindbox) plt.show()2. 探索性分析EDA趋势分析绘制折线图观察数据是否存在长期上升或下降趋势。季节性分析AQI很可能有年度周期冬季供暖期更高和每周周期工作日和周末不同。可以计算月度均值、绘制季节性子图或使用统计方法如自相关图来检验。# 计算月度平均 monthly_mean df[AQI].resample(M).mean() monthly_mean.plot(titleMonthly Average AQI) # 自相关图ACF from statsmodels.graphics.tsaplots import plot_acf plot_acf(df[AQI], lags50) # 观察滞后50期的自相关性 plt.show()平稳性检验很多时间序列模型要求数据是平稳的均值和方差不随时间变化。使用ADF检验Augmented Dickey-Fuller test。from statsmodels.tsa.stattools import adfuller result adfuller(df[AQI]) print(ADF Statistic:, result[0]) print(p-value:, result[1]) # 如果p-value 0.05则数据非平稳需要进行差分处理。这一步的心得EDA的图表和结论必须写入你的论文这是你思考过程的体现。不要只把代码和最终模型放上去让评委看到你对数据的“感觉”。3.2 第二步模型选择与原理简述基于EDA的结果我们选择模型。假设我们的数据显示出一定的趋势和明显的年度季节性。候选模型1季节性自回归积分滑动平均模型SARIMA为什么选它SARIMA是ARIMA的扩展专门处理带有季节性的时间序列。我们的数据有年度周期s365天季节性SARIMA模型p,d,qxP,D,Q_s 可以很好地捕捉这种模式。模型原理简述用于论文中SARIMA模型通过非季节性参数p,d,q和季节性参数P,D,Q_s 共同描述时间序列。其中p/P是自回归阶数表示当前值与过去值的关系d/D是差分阶数用于使序列平稳q/Q是移动平均阶数表示当前误差与过去误差的关系。s是季节周期。缺点对于长期预测如一年预测误差可能会累积放大。但对于第一小问的短期7天预测通常是可靠的。候选模型2三重指数平滑法Holt-Winters为什么选它同样适用于有趋势和季节性的数据实现相对简单计算速度快对于短期预测效果良好。模型原理简述该方法包含三个平滑方程水平方程、趋势方程和季节方程。它通过指数加权的方式不断更新对序列水平、趋势和季节性分量的估计。缺点假设季节形态是固定的对于剧烈变化的数据适应性不如SARIMA。如何抉择对于竞赛我建议两者都尝试。在第一小问中你可以同时运行这两个模型比较它们的预测效果使用训练集的一部分作为测试集计算RMSE等指标然后选择效果更好的一个作为最终模型并在论文中简要说明选择理由。这体现了你的模型对比和评估能力。3.3 第三步模型实现、训练与调参我们以SARIMA为例展示具体实现步骤。1. 数据平稳化如果EDA中ADF检验显示非平稳需要进行差分。通常先做一阶非季节性差分消除趋势再做一阶季节性差分周期s365消除季节性。# 假设原始序列为 df[‘AQI’] # 非季节性差分 df[‘AQI_diff1’] df[‘AQI’].diff(1) # 季节性差分 (周期为365实际中可能用7或12这里假设年度周期) df[‘AQI_diff_seasonal’] df[‘AQI_diff1’].diff(365) # 再次对差分后的序列进行ADF检验确保平稳2. 确定模型阶数p, d, q, P, D, Qd和D由上一步的差分次数决定。如果我们做了一阶非季节性差分和一阶季节性差分则 d1, D1。p, q, P, Q通过观察平稳化后序列的自相关图ACF和偏自相关图PACF来初步判断。也可以使用网格搜索Grid Search寻找使AIC或BIC信息准则最小的参数组合。import itertools import warnings from statsmodels.tsa.statespace.sarimax import SARIMAX warnings.filterwarnings(ignore) # 忽略警告信息 # 定义参数范围 p d q range(0, 3) # 非季节性参数尝试0,1,2 P D Q range(0, 2) # 季节性参数尝试0,1 s 365 # 季节周期 param_combinations list(itertools.product(p, d, q, P, D, Q)) best_aic float(‘inf’) best_order None best_seasonal_order None # 网格搜索计算量大可适当缩小范围或使用更智能的搜索 # 此处为示例实际比赛可能因时间有限需结合ACF/PACF手动定阶 for param in param_combinations[:20]: # 仅演示前20种组合 try: model SARIMAX(df[‘AQI’], order(param[0], param[1], param[2]), seasonal_order(param[3], param[4], param[5], s)) results model.fit(dispFalse) if results.aic best_aic: best_aic results.aic best_order (param[0], param[1], param[2]) best_seasonal_order (param[3], param[4], param[5], s) except: continue print(f‘Best SARIMA{best_order}x{best_seasonal_order} - AIC:{best_aic}’)3. 模型训练与诊断用确定的最优参数拟合全部训练数据。诊断检查模型残差Residuals是否近似为白噪声均值为0方差恒定无自相关。可以通过残差图、ACF图以及Ljung-Box检验来完成。# 使用最优参数拟合模型 best_model SARIMAX(df[‘AQI’], orderbest_order, seasonal_orderbest_seasonal_order) best_results best_model.fit() # 残差诊断 residuals best_results.resid plt.figure(figsize(12,8)) plt.subplot(211) residuals.plot(title‘Model Residuals’) plt.subplot(212) plot_acf(residuals, lags40) plt.show() # Ljung-Box检验 (p值应大于0.05说明残差是白噪声) from statsmodels.stats.diagnostic import acorr_ljungbox lb_test acorr_ljungbox(residuals, lags[10], return_dfTrue) print(lb_test)踩坑实录网格搜索非常耗时尤其是数据量大、参数范围广时。在竞赛的3天里时间就是生命。我的策略是先通过观察ACF/PACF图手动确定一个大概的阶数范围例如ACF在滞后s处有峰值说明需要季节性MA项QPACF在滞后s处有峰值说明需要季节性AR项P再进行小范围的精细搜索。永远不要无脑跑全参数搜索。3.4 第四步预测、结果呈现与误差分析1. 进行预测# 预测未来7天 forecast_steps 7 forecast best_results.get_forecast(stepsforecast_steps) forecast_mean forecast.predicted_mean # 点预测值 forecast_ci forecast.conf_int() # 置信区间2. 结果可视化将历史数据、拟合曲线和未来预测带置信区间绘制在同一张图上。这是论文中的亮点。plt.figure(figsize(15,7)) plt.plot(df.index, df[‘AQI’], label‘Observed’) # 历史观测值 # 可以绘制样本内拟合值 plt.plot(best_results.fittedvalues.index, best_results.fittedvalues, color‘red’, label‘Fitted’) # 拟合值 # 绘制预测值及置信区间 forecast_index pd.date_range(df.index[-1], periodsforecast_steps1, freq‘D’)[1:] plt.plot(forecast_index, forecast_mean, color‘green’, label‘Forecast’, linestyle‘--’) plt.fill_between(forecast_index, forecast_ci.iloc[:,0], forecast_ci.iloc[:,1], color‘gray’, alpha0.2, label‘95% CI’) plt.legend() plt.title(‘AQI Time Series Forecast’) plt.xlabel(‘Date’) plt.ylabel(‘AQI’) plt.show()3. 误差分析与模型评价 即使第一小问不要求你也应该做这一步为后续问题做准备。将最后一部分历史数据如最后30天留作验证集用之前的模型预测并计算误差指标。常用指标均方根误差RMSE衡量预测值与真实值之间的偏差对较大误差更敏感。平均绝对误差MAE更直观的误差平均值。平均绝对百分比误差MAPE相对误差适合不同量级数据的比较。from sklearn.metrics import mean_squared_error, mean_absolute_error # 假设 y_true 是验证集真实值 y_pred 是预测值 rmse np.sqrt(mean_squared_error(y_true, y_pred)) mae mean_absolute_error(y_true, y_pred) mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 print(f‘RMSE: {rmse:.2f}, MAE: {mae:.2f}, MAPE: {mape:.2f}%’)4. 呈现最终答案在论文中应以清晰的表格形式给出未来7天的预测值并附上简要说明。预测日期AQI预测值95%置信区间下限95%置信区间上限2022-01-018572982022-01-028874102............2022-01-078268964. 论文书写如何将你的工作转化为高分答卷模型跑通了只算完成了一半如何清晰、规范、专业地呈现在论文里是决定你能否获奖的另一半。第一小问的论文部分应放在全文的“问题重述”或“模型建立与求解”开头。4.1 行文结构与内容要点问题重述与分析用你自己的语言精炼概括第一小问的要求并分析其特点如“这是一个短期单变量时间序列预测问题”。模型准备数据预处理简要说明你对数据进行了缺失值处理方法、异常值检测方法及处理方式。务必配上关键的处理后数据统计表或对比图。探索性分析展示趋势图、季节性分解图、自相关图。用文字描述你观察到的核心特征如“数据呈现明显的年度周期性波动和缓和的上升趋势”并引出你选择模型的依据。模型建立模型选择明确提出你采用的模型如SARIMA。用公式和文字简要说明模型原理但不必像教科书一样长篇大论重点是说明它为什么适合本题。如果对比了多个模型说明你选择最终模型的理由如“经比较SARIMA模型的RMSE比Holt-Winters模型低15%故采用”。参数确定说明你是如何确定模型阶数的如“通过观察ACF/PACF图初步确定非季节性阶数为...并利用AIC准则网格搜索验证”。模型求解与结果求解过程可以写“利用Python的statsmodels库中的SARIMAX模块对模型进行拟合”。模型检验展示残差图、残差ACF图并进行Ljung-Box检验说明“残差序列在95%置信水平下可视为白噪声模型拟合充分”。预测结果必须用表格和图形两种形式展示预测值。图形要美观包含历史数据、拟合曲线、预测值及置信区间。结果分析对预测结果进行简要解读如“预测结果显示未来一周AQI值将在80-95之间波动整体处于良好水平其中1月3日可能达到峰值”。并给出你的误差分析RMSE等客观评价模型精度。4.2 图表与排版的魔鬼细节图表所有图表必须有编号和标题如“图1 日均AQI时间序列趋势”在文中要有引用如“如图1所示”。图表中的线条、标记要清晰可辨坐标轴标签、单位要完整。公式重要公式应居中、编号使用公式编辑器书写确保符号规范。代码切忌在正文中粘贴大段代码核心算法步骤可以用伪代码或文字描述。完整的代码应放在附录中。表述使用客观、严谨的学术语言避免“我觉得”、“我认为”等主观词汇改用“分析表明”、“结果显示”。多使用“因此”、“基于此”、“进一步地”等连接词使逻辑流畅。5. 避坑指南与高阶思考从“做完”到“做好”当你按照上述流程走通后你已经超越了80%的参赛者。但要冲击更高奖项还需要注意以下这些“坑”和提升点。5.1 新手常犯的五个致命错误忽视数据预处理拿到数据直接导入模型不检查缺失、异常、格式导致结果完全失真。模型选择不当不看数据特征盲目套用复杂模型如LSTM结果过拟合预测未来一塌糊涂。只有点预测没有区间预测只给出一个预测值这是不完整的。任何预测都有不确定性必须提供置信区间Confidence Interval或预测区间Prediction Interval。论文只有结果没有过程像交实验报告一样只丢出几个数字和一张图没有模型选择理由、参数确定过程、模型检验步骤让评委觉得你的工作是“黑箱”。格式混乱表达口语化论文排版丑陋图表模糊通篇“我我我”缺乏学术规范性。5.2 从第一小问延伸出的高阶思维即使是一个简单的小问也能体现你的综合能力敏感性分析你的模型结果对某个假设或参数是否敏感例如如果改变处理缺失值的方法用均值填充代替前向填充预测结果变化大吗在论文中简单提一句能大大增加模型的可靠度。模型融合能否将SARIMA和指数平滑的预测结果进行加权平均如根据它们在验证集上的误差倒数分配权重简单的模型融合有时能获得比单一模型更稳健的效果。考虑外部因素第一小问可能只要求用历史数据预测。但你可以在分析部分讨论如果考虑天气预报风速、降水、节假日信息等外部变量预测可能会如何改进这为后续问题埋下伏笔展示了你的全局思考。处理“第一小问”的过程是一个完整的微缩版数学建模实战。它训练的是你面对一个模糊问题如何通过数据清洗、探索分析、模型构建、验证评估这一套标准流程最终给出一个可靠、可解释的量化答案的能力。这个能力是解决后面所有更复杂问题的基础。下次当你再看到“第一小问”时希望你能把它看作一个展示你扎实功底和严谨思维的机会而不是一个急于跳过的简单步骤。把每一步都想清楚做扎实你的论文就已经赢在了起跑线上。 数学建模竞赛入门：从数据预处理到SARIMA模型实战解析
1. 从“练习赛”到实战数学建模竞赛的破局起点很多同学第一次接触数学建模竞赛看到“高教杯”、“C题”这些字眼心里可能就有点发怵觉得这是大神们的游戏自己连题目都看不懂。我当年也是这么过来的。但今天我们不谈高深的理论就从一个最具体、最微小的起点切入——2022年高教杯数学建模C题的第一问第一小问。这听起来像是一个微不足道的“练习赛”片段但恰恰是这种最基础的“零件”构成了你未来解决复杂综合问题的全部能力。很多人热衷于寻找“万能模型”和“速成代码”却忽略了把第一问、第一小问扎扎实实做透、做明白的价值。这道题就是一个绝佳的磨刀石。这道题的核心本质上是一个数据驱动的量化评估与预测问题。它要求你基于给定的、有限的背景信息和数据虽然题目正文未提供但我们可以根据“C题”的常见风格推断其涉及某一现实领域的量化分析如环境、经济或工程构建一个合理的数学模型对某个关键指标进行初步的测算或趋势判断。第一小问通常是整个题目的“基石”它不追求模型的复杂性但极度考验你对问题的理解能力、抽象能力以及将实际问题转化为数学语言的基本功。做对了这一小问整道题的逻辑起点就稳了这里卡住了后面大概率会全盘皆输。所以这篇文章不是给你一个“标准答案”——数学建模没有唯一答案。我要做的是带你完整走一遍作为一名参赛者面对这样一个“第一小问”应该如何拆解题目、建立思路、选择方法、进行计算、并规范呈现。我会把过程中所有需要警惕的“坑”、那些评审老师一眼就能看出的“低级错误”以及如何让你的解答显得“专业”而“扎实”的细节毫无保留地分享给你。无论你是初次参赛的小白还是想夯实基础的老手这个过程都值得你反复琢磨。2. 破题第一步深度解读“第一小问”的命题意图与隐含要求拿到题目切忌直接跳进数据和公式里。对于“第一小问”我们必须花足够的时间去“读题”而且是“带着脑子读题”。这往往比后续的计算更重要。2.1 定位“C题”风格与常见领域虽然我们不知道2022年C题的具体内容但“高教杯”全国大学生数学建模竞赛的题目风格有很强的规律可循。C题通常侧重于数据分析、统计预测、优化决策类问题背景多来源于社会经济、环境资源、企业管理等现实领域。例如可能是“碳排放预测”、“商品价格分析”、“疫情传播评估”、“生产工艺优化”等。第一小问经常是“请根据附件数据建立模型预测未来某时间段内XX指标的变化趋势”或者“请量化评估XX因素对YY指标的影响程度”。关键动作你需要立刻在脑海中建立一个“问题画像”。即使没有具体数据也要假设一个场景。比如我们假设本题是关于“城市空气质量指数AQI的预测”。那么第一小问可能是“基于过去一年的日均AQI数据建立时间序列模型预测未来一周的AQI日均值。” 这个假设将贯穿我们后续的讲解帮助你理解每个步骤。2.2 拆解问题陈述中的五个关键要素无论题目具体是什么第一小问的陈述都必然包含以下几个要素你必须像侦探一样把它们找出来研究对象Object我们要分析、预测或评估的“东西”是什么是“AQI指数”、“销售额”、“病毒传播率”还是“设备故障率”必须明确它的定义和单位。输入数据Input Data题目给了什么是“过去一年的日均数据”还是“多个城市的截面数据”或是“包含温度、湿度等多个变量的面板数据”数据的格式、时间跨度、变量维度至关重要。任务目标Task要我们具体“做”什么“预测未来值”、“计算影响系数”、“识别主要因素”、“进行等级划分”动词决定了模型的方向。输出要求Output最终要交出什么是“未来7天的预测值列表”还是一个“相关系数矩阵”或是一张“影响因素排序表”这决定了你模型输出的形式。约束与假设Constraints Assumptions题目有无特殊要求比如“不考虑节假日影响”、“假设数据服从正态分布”、“要求模型简洁易懂”。这些是建模的边界条件。注意很多同学在这里会犯“想当然”的错误。例如题目要求“预测趋势”他就只画了一条趋势线却没有给出具体的预测数值和置信区间这就不符合“输出要求”。务必逐字逐句对照。2.3 确立建模的“合理性”与“可解释性”原则对于第一小问评委最看重的往往不是模型的炫酷程度而是以下两点合理性你选择的模型是否与问题的本质匹配用线性回归去预测有明显周期波动的数据就不合理。用复杂的神经网络去拟合只有十几个数据点的问题就是“杀鸡用牛刀”且容易过拟合。可解释性你的模型结果能否用通俗的语言解释例如你得出“温度每升高1度AQI增加0.5个单位”这很容易理解。如果你只是丢出一个黑箱模型的预测结果却说不清为什么在第一小问中会大大失分。我的经验是对于第一小问优先考虑经典、稳健、解释性强的模型。如线性回归、时间序列ARIMA、指数平滑、灰色预测等。这些模型就像工具箱里的扳手和螺丝刀最常用也最能体现你的基本功。3. 模型构建四部曲以“AQI预测”为例的完整推演现在我们进入核心环节。假设我们面对的问题是“基于附件1提供的某城市2021年每日AQI数据建立预测模型估计2022年第一周1月1日至1月7日的每日AQI值。”3.1 第一步数据预处理与探索性分析EDA这是99%的初学者会草率处理但资深选手会极度重视的环节。直接套用原始数据跑模型是灾难的开始。1. 数据导入与清洗工具选择PythonPandas, NumPy或MATLAB是主流。这里用Python示例因其在数据处理上更灵活。处理缺失值检查是否有日期数据缺失。对于时间序列简单的缺失可以用前向填充ffill或线性插值但必须记录并说明你的处理方法。import pandas as pd # 假设数据已读入 DataFrame df包含‘date’和‘AQI’两列 df[date] pd.to_datetime(df[date]) # 确保日期格式 df.set_index(date, inplaceTrue) # 将日期设为索引 # 检查缺失 print(df.isnull().sum()) # 前向填充缺失值根据具体情况选择 df[AQI].fillna(methodffill, inplaceTrue)处理异常值通过箱线图或3σ原则识别异常值。对于AQI异常高值可能是真实污染事件不能简单删除。需要结合背景判断是传感器错误可剔除或修正还是真实峰值需在模型中考虑import matplotlib.pyplot as plt plt.figure(figsize(10,6)) df[AQI].plot(titleDaily AQI Trend) plt.show() # 箱线图观察 df[AQI].plot(kindbox) plt.show()2. 探索性分析EDA趋势分析绘制折线图观察数据是否存在长期上升或下降趋势。季节性分析AQI很可能有年度周期冬季供暖期更高和每周周期工作日和周末不同。可以计算月度均值、绘制季节性子图或使用统计方法如自相关图来检验。# 计算月度平均 monthly_mean df[AQI].resample(M).mean() monthly_mean.plot(titleMonthly Average AQI) # 自相关图ACF from statsmodels.graphics.tsaplots import plot_acf plot_acf(df[AQI], lags50) # 观察滞后50期的自相关性 plt.show()平稳性检验很多时间序列模型要求数据是平稳的均值和方差不随时间变化。使用ADF检验Augmented Dickey-Fuller test。from statsmodels.tsa.stattools import adfuller result adfuller(df[AQI]) print(ADF Statistic:, result[0]) print(p-value:, result[1]) # 如果p-value 0.05则数据非平稳需要进行差分处理。这一步的心得EDA的图表和结论必须写入你的论文这是你思考过程的体现。不要只把代码和最终模型放上去让评委看到你对数据的“感觉”。3.2 第二步模型选择与原理简述基于EDA的结果我们选择模型。假设我们的数据显示出一定的趋势和明显的年度季节性。候选模型1季节性自回归积分滑动平均模型SARIMA为什么选它SARIMA是ARIMA的扩展专门处理带有季节性的时间序列。我们的数据有年度周期s365天季节性SARIMA模型p,d,qxP,D,Q_s 可以很好地捕捉这种模式。模型原理简述用于论文中SARIMA模型通过非季节性参数p,d,q和季节性参数P,D,Q_s 共同描述时间序列。其中p/P是自回归阶数表示当前值与过去值的关系d/D是差分阶数用于使序列平稳q/Q是移动平均阶数表示当前误差与过去误差的关系。s是季节周期。缺点对于长期预测如一年预测误差可能会累积放大。但对于第一小问的短期7天预测通常是可靠的。候选模型2三重指数平滑法Holt-Winters为什么选它同样适用于有趋势和季节性的数据实现相对简单计算速度快对于短期预测效果良好。模型原理简述该方法包含三个平滑方程水平方程、趋势方程和季节方程。它通过指数加权的方式不断更新对序列水平、趋势和季节性分量的估计。缺点假设季节形态是固定的对于剧烈变化的数据适应性不如SARIMA。如何抉择对于竞赛我建议两者都尝试。在第一小问中你可以同时运行这两个模型比较它们的预测效果使用训练集的一部分作为测试集计算RMSE等指标然后选择效果更好的一个作为最终模型并在论文中简要说明选择理由。这体现了你的模型对比和评估能力。3.3 第三步模型实现、训练与调参我们以SARIMA为例展示具体实现步骤。1. 数据平稳化如果EDA中ADF检验显示非平稳需要进行差分。通常先做一阶非季节性差分消除趋势再做一阶季节性差分周期s365消除季节性。# 假设原始序列为 df[‘AQI’] # 非季节性差分 df[‘AQI_diff1’] df[‘AQI’].diff(1) # 季节性差分 (周期为365实际中可能用7或12这里假设年度周期) df[‘AQI_diff_seasonal’] df[‘AQI_diff1’].diff(365) # 再次对差分后的序列进行ADF检验确保平稳2. 确定模型阶数p, d, q, P, D, Qd和D由上一步的差分次数决定。如果我们做了一阶非季节性差分和一阶季节性差分则 d1, D1。p, q, P, Q通过观察平稳化后序列的自相关图ACF和偏自相关图PACF来初步判断。也可以使用网格搜索Grid Search寻找使AIC或BIC信息准则最小的参数组合。import itertools import warnings from statsmodels.tsa.statespace.sarimax import SARIMAX warnings.filterwarnings(ignore) # 忽略警告信息 # 定义参数范围 p d q range(0, 3) # 非季节性参数尝试0,1,2 P D Q range(0, 2) # 季节性参数尝试0,1 s 365 # 季节周期 param_combinations list(itertools.product(p, d, q, P, D, Q)) best_aic float(‘inf’) best_order None best_seasonal_order None # 网格搜索计算量大可适当缩小范围或使用更智能的搜索 # 此处为示例实际比赛可能因时间有限需结合ACF/PACF手动定阶 for param in param_combinations[:20]: # 仅演示前20种组合 try: model SARIMAX(df[‘AQI’], order(param[0], param[1], param[2]), seasonal_order(param[3], param[4], param[5], s)) results model.fit(dispFalse) if results.aic best_aic: best_aic results.aic best_order (param[0], param[1], param[2]) best_seasonal_order (param[3], param[4], param[5], s) except: continue print(f‘Best SARIMA{best_order}x{best_seasonal_order} - AIC:{best_aic}’)3. 模型训练与诊断用确定的最优参数拟合全部训练数据。诊断检查模型残差Residuals是否近似为白噪声均值为0方差恒定无自相关。可以通过残差图、ACF图以及Ljung-Box检验来完成。# 使用最优参数拟合模型 best_model SARIMAX(df[‘AQI’], orderbest_order, seasonal_orderbest_seasonal_order) best_results best_model.fit() # 残差诊断 residuals best_results.resid plt.figure(figsize(12,8)) plt.subplot(211) residuals.plot(title‘Model Residuals’) plt.subplot(212) plot_acf(residuals, lags40) plt.show() # Ljung-Box检验 (p值应大于0.05说明残差是白噪声) from statsmodels.stats.diagnostic import acorr_ljungbox lb_test acorr_ljungbox(residuals, lags[10], return_dfTrue) print(lb_test)踩坑实录网格搜索非常耗时尤其是数据量大、参数范围广时。在竞赛的3天里时间就是生命。我的策略是先通过观察ACF/PACF图手动确定一个大概的阶数范围例如ACF在滞后s处有峰值说明需要季节性MA项QPACF在滞后s处有峰值说明需要季节性AR项P再进行小范围的精细搜索。永远不要无脑跑全参数搜索。3.4 第四步预测、结果呈现与误差分析1. 进行预测# 预测未来7天 forecast_steps 7 forecast best_results.get_forecast(stepsforecast_steps) forecast_mean forecast.predicted_mean # 点预测值 forecast_ci forecast.conf_int() # 置信区间2. 结果可视化将历史数据、拟合曲线和未来预测带置信区间绘制在同一张图上。这是论文中的亮点。plt.figure(figsize(15,7)) plt.plot(df.index, df[‘AQI’], label‘Observed’) # 历史观测值 # 可以绘制样本内拟合值 plt.plot(best_results.fittedvalues.index, best_results.fittedvalues, color‘red’, label‘Fitted’) # 拟合值 # 绘制预测值及置信区间 forecast_index pd.date_range(df.index[-1], periodsforecast_steps1, freq‘D’)[1:] plt.plot(forecast_index, forecast_mean, color‘green’, label‘Forecast’, linestyle‘--’) plt.fill_between(forecast_index, forecast_ci.iloc[:,0], forecast_ci.iloc[:,1], color‘gray’, alpha0.2, label‘95% CI’) plt.legend() plt.title(‘AQI Time Series Forecast’) plt.xlabel(‘Date’) plt.ylabel(‘AQI’) plt.show()3. 误差分析与模型评价 即使第一小问不要求你也应该做这一步为后续问题做准备。将最后一部分历史数据如最后30天留作验证集用之前的模型预测并计算误差指标。常用指标均方根误差RMSE衡量预测值与真实值之间的偏差对较大误差更敏感。平均绝对误差MAE更直观的误差平均值。平均绝对百分比误差MAPE相对误差适合不同量级数据的比较。from sklearn.metrics import mean_squared_error, mean_absolute_error # 假设 y_true 是验证集真实值 y_pred 是预测值 rmse np.sqrt(mean_squared_error(y_true, y_pred)) mae mean_absolute_error(y_true, y_pred) mape np.mean(np.abs((y_true - y_pred) / y_true)) * 100 print(f‘RMSE: {rmse:.2f}, MAE: {mae:.2f}, MAPE: {mape:.2f}%’)4. 呈现最终答案在论文中应以清晰的表格形式给出未来7天的预测值并附上简要说明。预测日期AQI预测值95%置信区间下限95%置信区间上限2022-01-018572982022-01-028874102............2022-01-078268964. 论文书写如何将你的工作转化为高分答卷模型跑通了只算完成了一半如何清晰、规范、专业地呈现在论文里是决定你能否获奖的另一半。第一小问的论文部分应放在全文的“问题重述”或“模型建立与求解”开头。4.1 行文结构与内容要点问题重述与分析用你自己的语言精炼概括第一小问的要求并分析其特点如“这是一个短期单变量时间序列预测问题”。模型准备数据预处理简要说明你对数据进行了缺失值处理方法、异常值检测方法及处理方式。务必配上关键的处理后数据统计表或对比图。探索性分析展示趋势图、季节性分解图、自相关图。用文字描述你观察到的核心特征如“数据呈现明显的年度周期性波动和缓和的上升趋势”并引出你选择模型的依据。模型建立模型选择明确提出你采用的模型如SARIMA。用公式和文字简要说明模型原理但不必像教科书一样长篇大论重点是说明它为什么适合本题。如果对比了多个模型说明你选择最终模型的理由如“经比较SARIMA模型的RMSE比Holt-Winters模型低15%故采用”。参数确定说明你是如何确定模型阶数的如“通过观察ACF/PACF图初步确定非季节性阶数为...并利用AIC准则网格搜索验证”。模型求解与结果求解过程可以写“利用Python的statsmodels库中的SARIMAX模块对模型进行拟合”。模型检验展示残差图、残差ACF图并进行Ljung-Box检验说明“残差序列在95%置信水平下可视为白噪声模型拟合充分”。预测结果必须用表格和图形两种形式展示预测值。图形要美观包含历史数据、拟合曲线、预测值及置信区间。结果分析对预测结果进行简要解读如“预测结果显示未来一周AQI值将在80-95之间波动整体处于良好水平其中1月3日可能达到峰值”。并给出你的误差分析RMSE等客观评价模型精度。4.2 图表与排版的魔鬼细节图表所有图表必须有编号和标题如“图1 日均AQI时间序列趋势”在文中要有引用如“如图1所示”。图表中的线条、标记要清晰可辨坐标轴标签、单位要完整。公式重要公式应居中、编号使用公式编辑器书写确保符号规范。代码切忌在正文中粘贴大段代码核心算法步骤可以用伪代码或文字描述。完整的代码应放在附录中。表述使用客观、严谨的学术语言避免“我觉得”、“我认为”等主观词汇改用“分析表明”、“结果显示”。多使用“因此”、“基于此”、“进一步地”等连接词使逻辑流畅。5. 避坑指南与高阶思考从“做完”到“做好”当你按照上述流程走通后你已经超越了80%的参赛者。但要冲击更高奖项还需要注意以下这些“坑”和提升点。5.1 新手常犯的五个致命错误忽视数据预处理拿到数据直接导入模型不检查缺失、异常、格式导致结果完全失真。模型选择不当不看数据特征盲目套用复杂模型如LSTM结果过拟合预测未来一塌糊涂。只有点预测没有区间预测只给出一个预测值这是不完整的。任何预测都有不确定性必须提供置信区间Confidence Interval或预测区间Prediction Interval。论文只有结果没有过程像交实验报告一样只丢出几个数字和一张图没有模型选择理由、参数确定过程、模型检验步骤让评委觉得你的工作是“黑箱”。格式混乱表达口语化论文排版丑陋图表模糊通篇“我我我”缺乏学术规范性。5.2 从第一小问延伸出的高阶思维即使是一个简单的小问也能体现你的综合能力敏感性分析你的模型结果对某个假设或参数是否敏感例如如果改变处理缺失值的方法用均值填充代替前向填充预测结果变化大吗在论文中简单提一句能大大增加模型的可靠度。模型融合能否将SARIMA和指数平滑的预测结果进行加权平均如根据它们在验证集上的误差倒数分配权重简单的模型融合有时能获得比单一模型更稳健的效果。考虑外部因素第一小问可能只要求用历史数据预测。但你可以在分析部分讨论如果考虑天气预报风速、降水、节假日信息等外部变量预测可能会如何改进这为后续问题埋下伏笔展示了你的全局思考。处理“第一小问”的过程是一个完整的微缩版数学建模实战。它训练的是你面对一个模糊问题如何通过数据清洗、探索分析、模型构建、验证评估这一套标准流程最终给出一个可靠、可解释的量化答案的能力。这个能力是解决后面所有更复杂问题的基础。下次当你再看到“第一小问”时希望你能把它看作一个展示你扎实功底和严谨思维的机会而不是一个急于跳过的简单步骤。把每一步都想清楚做扎实你的论文就已经赢在了起跑线上。