1. 项目概述从“数学好玩”到一场硬核的思维马拉松“数学好玩”这四个字是已故数学大师陈省身先生给中国少年数学论坛的题词它道出了数学探索的本质魅力——一种源于纯粹好奇与逻辑之美的乐趣。然而当这四个字与“2019年APMCM亚太地区大学生数学建模竞赛”这个严谨的学术赛事标题结合在一起时它所指向的就远不止是趣味而是一场融合了智力、耐力、协作与创造力的高强度思维马拉松。APMCM全称Asia and Pacific Mathematical Contest in Modeling是面向亚太地区高校学生的顶级数学建模赛事之一其影响力与认可度在国内外逐年攀升。2019年的那场竞赛对我而言不仅仅是一次比赛更是一次将抽象的“好玩”转化为具体解决方案的深度实践。这篇文章我想从一个亲历者的角度拆解这场竞赛的台前幕后分享我们团队如何将一个看似宏大的赛题拆解、建模、求解并最终呈现的完整过程其中涉及的思路、工具、踩过的坑以及那些赛后回味起来才觉得“好玩”的瞬间希望能给未来有志于此的同学们一些实在的参考。这场比赛适合所有对数学应用、数据分析、跨学科问题解决感兴趣的同学无论你是数学、计算机、工程还是经管专业。它不要求你是数学天才但需要你具备将实际问题转化为数学语言的能力以及和队友并肩作战、在96小时内完成从破题到成文的极限挑战的毅力。我们的故事就从拿到赛题的那一刻开始。2. 赛题核心解析与破题思路构建2019年APMCM的赛题这里以典型的A/B题风格为例进行通用性解析实际赛题需保密具体内容通常聚焦于具有现实意义的跨学科问题可能涉及环境科学、交通物流、社会经济或资源管理等领域。题目不会给你一个现成的数学公式让你求解而是给你一个复杂的现实场景附带一堆可能杂乱无章的数据。你的第一个任务也是最重要的任务就是“破题”。2.1 理解问题本质剥离现象抓住核心变量我们拿到的题目描述了一个关于“城市共享单车动态调度优化”的问题。题目给出了一个模拟城市区域的电子地图、若干共享单车站点的历史借还数据、时间序列以及一些天气、节假日等外部因素。问题要求我们建立模型预测未来特定时段各站点的单车供需缺口并设计一套成本效益最优的调度方案。第一步不是急着写代码或查文献而是全队坐在一起反复阅读题目确保每个人对问题的理解一致。我们用了白板画出了几个关键要素核心目标最小化调度总成本包括运输成本和因车辆短缺/堆积导致的用户流失惩罚成本同时满足尽可能多的用户需求。这里的目标函数往往是多目标甚至带约束的需要权衡。决策变量我们需要决定的是什么是每个时间段从哪个站点调度多少辆车到哪个站点。这是一个典型的网络流问题决策变量是站点间的车辆流动量。输入与数据历史借还数据时间、站点、数量、站点地理位置、道路网络距离或时间、天气数据、日期类型工作日/周末/节假日。我们需要评估这些数据哪些是直接可用的哪些需要预处理比如处理缺失值、异常值哪些是强相关特征。约束条件调度车的数量不能超过站点当前存量调度需要时间距离/速度调度车辆总数有限公司车队规模站点有容量上限。这个过程的关键在于将一段充满细节的文字描述抽象成几个数学对象变量、目标、约束和它们之间的关系。我们当时争论最久的一点是如何量化“用户流失惩罚”。是简单地用未满足的需求数量乘以一个固定系数还是建立一个与等待时间相关的非线性函数这直接影响了模型的复杂度和求解方向。2.2 模型选型与思路分层没有最好只有最合适明确了问题骨架接下来就是给这个骨架填充血肉——选择或构建数学模型。数学建模没有标准答案关键在于模型的“合理性”和“可求解性”。我们团队初步形成了三个层次的思路层次一基准模型采用时间序列分析如ARIMA、LSTM单独预测每个站点未来的借车量和还车量得到供需预测。然后将调度问题简化为一个运输问题使用线性规划Linear Programming, LP或整数规划Integer Programming, IP在单个时间切片上求解最小成本调度方案。这个思路直观、经典易于实现和解释作为基准非常合适。层次二进阶模型考虑时空相关性。站点的需求不是独立的相邻站点、交通枢纽附近的站点存在联动效应。我们考虑使用图神经网络GNN或时空图卷积网络ST-GCN来同时捕捉站点的空间拓扑关系和时间动态进行更精准的联合预测。调度模型则升级为多时段的动态规划Dynamic Programming, DP或模型预测控制Model Predictive Control, MPC考虑调度动作的长期影响。层次三创新/风险模型引入强化学习Reinforcement Learning, RL。将调度中心视为智能体城市站点网络视为环境调度动作是智能体发出的指令用户满足度和成本作为奖励。通过训练让智能体学会在复杂不确定环境下做出长期最优的调度决策。这个思路非常前沿但风险极高需要大量的训练和调参在96小时内可能无法稳定收敛。经过激烈讨论我们决定采用“层次二为主层次一保底”的策略。原因是层次一虽然稳但难以脱颖而出层次三太冒险可能无法完成。层次二既能体现我们对复杂问题的把握能力又有相对成熟的工具包如PyTorch Geometric可以借鉴在创新和可行性之间取得了平衡。注意模型选择一定要考虑团队的技术栈和时间。如果一个团队没人熟悉深度学习强行上马GNN就是灾难。我们队里有一位同学专攻图神经网络这才让我们有底气选择这个方向。3. 数据预处理与特征工程实战建模思路确定后接下来面对的就是冰冷的数据。题目提供的数据往往“脏”且需要解读。这部分工作是整个项目的地基地基不牢后面模型再华丽也是空中楼阁。3.1 数据清洗与探索性分析EDA我们首先用Python的Pandas和Matplotlib/Seaborn库对数据进行全面检查。缺失值处理天气数据存在少量缺失。我们分析了缺失模式随机缺失还是连续缺失对于随机缺失采用同一时间段相邻站点的天气数据进行插补对于连续缺失的小段数据采用前后时间点的均值填充。并创建了一个“数据是否缺失”的布尔特征有时缺失本身也是一种信息。异常值检测发现某些站点在凌晨3点出现了异常高的借车记录。通过绘制时间序列箱线图并结合常识凌晨共享单车使用率极低我们判断这些是系统错误或测试数据。处理方式不是简单删除而是将其视为“特殊事件”用该站点历史同期数据的均值进行替换并标记了一个“异常点”特征。数据一致性检查检查借车量和还车量在全局上是否大致平衡考虑车辆新增与报废检查站点坐标是否在给定的地图边界内。EDA的核心是“用图说话”。我们绘制了各站点日均借还车量的热力图在地图上直观看到哪些是热门区域。借车量随时间小时、星期变化的整体趋势图发现了明显的早晚高峰和周末模式。借车量与温度、降雨量的散点图验证了天气的显著影响。3.2 特征构建为模型注入“领域知识”原始数据字段有限我们需要构建更有信息量的特征。这是体现建模者水平的关键一步。时间特征不仅仅是“小时”、“星期几”我们构造了“是否早高峰7-9点”、“是否晚高峰17-19点”、“是否节假日”、“是否节假日后的第一个工作日”存在明显的通勤模式变化。空间特征计算每个站点到最近的地铁站、商业中心、大学校园的距离。使用哈弗辛公式计算站点两两之间的地理距离并构建了站点的“度中心性”连接其他站点的数量基于一定距离阈值作为网络特征。聚合统计特征对于每个站点计算其过去1小时、3小时、24小时、同一星期同一时段的平均借车量、还车量、净流量还车-借车。这些滞后特征对预测至关重要。交互特征创建“当前小时是否雨天”、“站点热度是否周末”等特征捕捉不同因素之间的交互效应。我们使用scikit-learn的StandardScaler对连续数值特征进行了标准化对类别特征进行了独热编码One-Hot Encoding。特征工程后数据维度从原始的10余列扩展到了100多列。我们随后使用了特征重要性分析基于树模型和相关性矩阵剔除了部分冗余或重要性极低的特征防止过拟合。4. 预测模型构建时空图卷积网络ST-GCN的实现细节我们选择了时空图卷积网络作为我们需求预测的核心模型。下面详细拆解我们的实现过程。4.1 图结构定义首先需要定义站点的图结构。我们将每个共享单车站点视为图中的一个节点。节点特征每个节点的特征向量就是我们在特征工程阶段为该站点构建的所有特征时间、空间、统计特征等。边定义我们采用了两种方式构建边1)基于距离如果两个站点间的物理距离小于阈值D我们通过分析骑行数据分布设定为2公里则在它们之间建立一条无向边。2)基于相关性计算各站点历史借车量时间序列的皮尔逊相关系数保留相关系数大于阈值C设为0.7的边这能捕捉功能上的关联比如两个住宅区站点可能高度相关。邻接矩阵最终我们将两种边合并构建一个对称的0-1邻接矩阵A如果节点i和j有边则A[i,j]1否则为0。为了增加自连接我们使用了A_hat A II是单位矩阵。4.2 ST-GCN网络架构我们参考了经典的ST-GCN论文并针对我们的问题进行了简化。网络主要包含以下几个模块时空卷积块这是核心模块。它先对节点特征在空间维度上进行图卷积捕捉站点间的空间依赖然后在时间维度上进行一维卷积捕捉时间序列的动态变化。我们使用了以下公式简化版的图卷积H^{(l1)} σ(D^{-1/2} A_hat D^{-1/2} H^{(l)} W^{(l)})其中H^{(l)}是第l层的节点特征D是度矩阵W是可学习的权重矩阵σ是激活函数如ReLU。时间卷积使用一维卷积核在节点特征的时间序列上滑动。多个时空卷积块的堆叠我们堆叠了3个时空卷积块每个块后接批归一化BatchNorm和Dropout层以防止过拟合。随着层数加深模型能捕获更远距离的时空依赖。输出层最后一个卷积层的输出经过一个全连接层映射到每个站点未来N个时间步我们预测未来12小时以1小时为间隔的借车量和还车量两个值。4.3 训练与调参我们将历史数据按时间顺序划分为训练集70%、验证集15%和测试集15%。使用滑动窗口方法生成样本用一个长度为T过去24小时的窗口作为输入预测未来长度为N12小时的序列。损失函数采用平滑L1损失Smooth L1 Loss它对异常值不如MSE敏感训练更稳定。优化器使用Adam优化器初始学习率设为0.001并配合学习率衰减策略。超参数调优我们重点调整了图卷积的层数、隐藏层维度、时间卷积核大小、Dropout率和学习率。使用验证集上的损失作为评估标准手动进行了多轮网格搜索。最终一个3层ST-GCN隐藏层维度为64时间卷积核大小为3的模型在验证集上表现最好。实操心得训练深度学习模型非常耗时。我们在比赛中期才完成第一个可运行的ST-GCN训练一轮就需要近1小时。因此一定要尽早开始跑基线模型如线性回归、XGBoost确保数据管道和评估流程是通的。深度学习模型作为“奇兵”后期优化但绝不能把所有希望都押在上面。我们就是在训练ST-GCN的同时用XGBoost做出了一个还不错的预测结果作为备份。5. 调度优化模型混合整数规划求解拿到预测的未来各站点供需缺口后问题转化为一个多时段的车辆调度优化问题。我们将其建模为一个混合整数规划问题。5.1 模型形式化集合S: 站点集合T: 时间段集合例如未来12个小时V: 调度车辆集合假设有K辆车参数d_{ij}: 从站点i到站点j的调度时间小时c_{ij}: 从站点i调度一辆车到站点j的成本与距离成正比p_t: 时间段t未满足需求的单位惩罚成本Demand_{it}, Supply_{it}: 预测得到的站点i在时间段t的借车需求和还车供给Cap_i: 站点i的最大容量Init_i: 站点i的初始车辆数决策变量x_{ijt}: 整数在时间段t初从站点i调度到站点j的车辆数核心调度变量y_{it}: 整数站点i在时间段t开始时拥有的车辆数状态变量shortage_{it}: 连续站点i在时间段t的车辆短缺数需求未满足部分目标函数最小化总成本 调度成本 短缺惩罚成本Minimize Σ_{t∈T} Σ_{i,j∈S} c_{ij} * x_{ijt} Σ_{t∈T} Σ_{i∈S} p_t * shortage_{it}约束条件库存平衡约束站点i在t1时段初的车辆数等于t时段初的车辆数加上t时段内调度进来的车减去调度出去的车再加上t时段内该站点的净供给还车-借车短缺。y_{i,t1} y_{it} Σ_{j} x_{jit} - Σ_{j} x_{ijt} (Supply_{it} - Demand_{it} shortage_{it})这个约束是模型的核心确保了车辆流动的连续性。调度时间约束如果从i到j需要d_{ij}个时段那么x_{ijt发出的车只能在td_{ij}时段到达j站点。这需要引入额外的辅助变量和约束来处理我们做了简化假设调度在一个时段内完成d_{ij} 1对于更远距离我们通过将长距离调度分解为多个短距离段来近似处理这大大降低了模型复杂度。容量约束每个站点的车辆数不能超过其容量。y_{it} Cap_i非负与整数约束x_{ijt}为非负整数y_{it}为非负整数shortage_{it}为非负连续变量。5.2 求解与技巧我们使用Python的PuLP库也可用ortools、gurobipy来定义这个MIP模型并调用开源的CBC求解器进行求解。对于有上百个站点、十几个时间段的问题变量和约束数量会非常庞大。求解技巧问题分解我们尝试了两种分解方法。一是时间分解先求解第一个时间段的调度固定结果后再求解第二个时间段如此滚动向前。这牺牲了全局最优性但求解速度极快。二是空间聚类分解将地理位置相近的站点聚类成几个大区先进行区间的宏观调度再在每个区内进行微观调度。这显著减少了变量规模。设置求解时间限制对于大规模MIP找到最优解可能需要数小时。我们设定一个合理的时间限制如30分钟让求解器返回当前找到的最好可行解。利用初始解我们可以用一些启发式规则如优先从盈余站点向短缺站点调度生成一个初始可行解提供给求解器这能大大加快求解进程。松弛与近似在最终模型里我们将车辆数y_{it}和调度量x_{ijt}从整数松弛为连续变量。因为车辆数很大时整数解和连续解非常接近而求解速度能提升一个数量级。我们在论文中说明了这一近似及其合理性。最终我们结合了时间滚动和连续松弛的方法在可接受的时间内得到了一个质量很高的调度方案。我们将调度方案可视化在了城市地图上用动态流图展示了车辆如何像血液一样在城市网络中流动以平衡供需视觉效果和解释性都非常好。6. 论文写作与结果可视化呈现数学建模竞赛最终提交的是一篇论文。模型再精彩表达不清也前功尽弃。写作占据了我们最后24小时的大部分时间。6.1 论文结构把控我们严格按照竞赛要求的论文结构来组织摘要这是论文的灵魂评委可能只看摘要。我们用一段话清晰陈述了问题、我们的方法ST-GCN预测 MIP调度、模型的主要特点考虑了时空相关性、多目标优化以及最重要的结论我们的方案能将调度成本降低X%需求满足率提升Y%。摘要务必独立成文包含所有关键信息。引言重述问题强调其现实意义简要综述现有方法文献回顾指出其不足然后引出我们的工作贡献。模型假设与符号说明明确列出所有假设如“调度时间小于1小时”、“用户需求必须优先满足”并用表格清晰定义所有用到的主要符号。这体现了严谨性。模型建立这是核心章节。我们分了两大部分5.1 基于ST-GCN的需求预测模型5.2 基于MIP的车辆调度优化模型。每一部分都从问题形式化开始到模型细节包括公式、框图我们画了ST-GCN的结构图和调度问题的网络流图。模型求解与结果分析描述数据预处理、特征工程、模型训练超参数、损失曲线、优化求解过程。然后展示结果预测误差用MAE, RMSE, MAPE等指标、调度方案的成本和效益分析。我们做了敏感性分析比如改变惩罚成本p_t观察调度方案和总成本如何变化。模型评价与推广客观评价我们模型的优点如综合考虑时空因素、求解效率高和缺点如对数据质量依赖高、某些假设可能过于简化。并提出模型的可能改进方向如引入强化学习、考虑动态交通路况以及在其他场景如物流配送、电网负荷调度的推广潜力。参考文献与附录规范引用参考文献。附录里我们放了核心代码的伪代码、部分详细数据表格和额外的结果图。6.2 可视化一图胜千言在结果分析部分我们精心设计了多张图表预测效果对比图将ST-GCN、XGBoost和朴素历史均值法对未来12小时的预测曲线与真实值画在一起直观显示我们模型的优越性。调度方案热力图用热力图展示一天中不同时间段各站点需要调出蓝色或调入红色的车辆强度。成本效益分析柱状图对比我们的方案与基准方案如无调度、简单最近邻调度在总成本和需求满足率上的差异。动态调度流程图附录中我们甚至用matplotlib.animation做了一个简单的动态图展示车辆如何随着时间在站点间移动这个虽然费时但极大地增强了论文的展示效果。所有图表都确保清晰、规范有明确的标题、坐标轴标签和图例。颜色搭配采用色盲友好的配色方案如viridis, plasma。7. 团队协作、时间管理与常见避坑指南96小时的高强度竞赛是对团队协作和项目管理能力的极限考验。7.1 分工与协作模式我们队三人角色相对明确但又有交叉同学A我主要负责模型主体设计、算法实现特别是ST-GCN和MIP建模和论文核心章节撰写。同学B主要负责数据预处理、特征工程、基础模型XGBoost等实现、结果可视化和论文润色。同学C主要负责文献调研、模型假设与理论梳理、论文引言、优缺点分析、格式排版和最终校对。我们使用Git进行代码版本管理Overleaf进行在线LaTeX论文协作。每天早中晚三次短会同步进度、解决问题、调整方向。关键决策如模型选型必须三人达成一致。7.2 时间节点控制我们制定了粗略的时间线并严格执行第0-12小时理解题目、头脑风暴、确定初步思路、完成文献快速调研。这个阶段切忌匆忙定模型一定要充分讨论。第12-36小时数据预处理、特征工程、搭建基准模型XGBoost预测简单LP调度并跑通全流程。此时必须有一个能运行、能出初步结果的完整Pipeline。第36-72小时实现核心模型ST-GCN、复杂MIP调试、训练、优化。同时开始论文的引言、假设、符号说明等前期章节的撰写。第72-90小时模型最终求解结果分析绘制所有图表。全力撰写论文主体部分模型、求解、结果。第90-96小时论文整合、摘要撰写、结论打磨、反复校对公式、符号、语法、格式、最终提交。最后2小时必须留作缓冲用于处理突发问题如文件过大上传失败。7.3 常见问题与避坑指南结合我们的经验和听到的其他队伍教训总结以下几点坑盲目追求复杂模型。看到问题就想上深度学习、强化学习结果数据量不够、训练不稳定、调参无底洞最后连一个可用的结果都没有。对策先建立一个简单但完整的基准模型确保它能工作。复杂模型作为加分项在基准模型稳固后再尝试。坑忽略模型的可解释性。黑箱模型即使预测准如果无法在论文中合理解释其内在逻辑也会失分。对策对于使用的复杂模型如GNN要在论文中解释其工作原理如图卷积如何聚合邻居信息。对于优化结果要进行敏感性分析说明关键参数的影响。坑论文写成实验报告或代码说明书。通篇都是“我们做了A然后做了B结果如图C”。对策论文要有故事线。以“问题-挑战-我们的思路-模型设计-验证-分析”的逻辑展开强调你的思考过程和决策理由。坑最后时刻匆忙写摘要。摘要是最重要的部分却往往最后才写导致仓促。对策在比赛中期就起草摘要的初稿随着工作推进不断更新和完善。最后专门留出1小时精心打磨摘要。坑不检查数据单位和尺度。例如距离单位是米还是公里成本单位是元还是分一个单位错误可能导致结果数量级完全错误。对策在数据预处理和模型定义阶段就明确所有数据的单位并在论文符号说明中注明。结果出来后用常识判断一下比如调度一辆车的成本是几元还是几万元。坑团队沟通不畅各自为战。最后发现模型假设对不上或者代码接口不一致。对策定期开会使用共享文档如Google Docs记录所有关键决策、假设和定义。代码接口提前约定好。那次APMCM我们最终获得了一等奖。回顾那96小时最大的收获不是奖项而是在极限压力下将“数学好玩”这个理念通过团队协作变成一套解决实际问题的严谨方法论的过程。数学不再只是试卷上的公式而是我们用来理解世界、优化世界的语言和工具。那种为一个目标共同奋斗最后看到模型跑出漂亮结果、论文成型的成就感确实非常“好玩”。对于准备参加类似竞赛的同学我的建议是尽早组队磨合打好编程和数学基础多研读优秀论文学习其思路和表达最重要的是享受这个把抽象想法落地的、痛苦又快乐的过程。在比赛里你学到的将远超数学和编程本身。 
长河君 · 2026/8/14 6:59:20 · 阅读 1.2k APMCM数学建模实战：从时空预测到优化调度的完整解决方案
1. 项目概述从“数学好玩”到一场硬核的思维马拉松“数学好玩”这四个字是已故数学大师陈省身先生给中国少年数学论坛的题词它道出了数学探索的本质魅力——一种源于纯粹好奇与逻辑之美的乐趣。然而当这四个字与“2019年APMCM亚太地区大学生数学建模竞赛”这个严谨的学术赛事标题结合在一起时它所指向的就远不止是趣味而是一场融合了智力、耐力、协作与创造力的高强度思维马拉松。APMCM全称Asia and Pacific Mathematical Contest in Modeling是面向亚太地区高校学生的顶级数学建模赛事之一其影响力与认可度在国内外逐年攀升。2019年的那场竞赛对我而言不仅仅是一次比赛更是一次将抽象的“好玩”转化为具体解决方案的深度实践。这篇文章我想从一个亲历者的角度拆解这场竞赛的台前幕后分享我们团队如何将一个看似宏大的赛题拆解、建模、求解并最终呈现的完整过程其中涉及的思路、工具、踩过的坑以及那些赛后回味起来才觉得“好玩”的瞬间希望能给未来有志于此的同学们一些实在的参考。这场比赛适合所有对数学应用、数据分析、跨学科问题解决感兴趣的同学无论你是数学、计算机、工程还是经管专业。它不要求你是数学天才但需要你具备将实际问题转化为数学语言的能力以及和队友并肩作战、在96小时内完成从破题到成文的极限挑战的毅力。我们的故事就从拿到赛题的那一刻开始。2. 赛题核心解析与破题思路构建2019年APMCM的赛题这里以典型的A/B题风格为例进行通用性解析实际赛题需保密具体内容通常聚焦于具有现实意义的跨学科问题可能涉及环境科学、交通物流、社会经济或资源管理等领域。题目不会给你一个现成的数学公式让你求解而是给你一个复杂的现实场景附带一堆可能杂乱无章的数据。你的第一个任务也是最重要的任务就是“破题”。2.1 理解问题本质剥离现象抓住核心变量我们拿到的题目描述了一个关于“城市共享单车动态调度优化”的问题。题目给出了一个模拟城市区域的电子地图、若干共享单车站点的历史借还数据、时间序列以及一些天气、节假日等外部因素。问题要求我们建立模型预测未来特定时段各站点的单车供需缺口并设计一套成本效益最优的调度方案。第一步不是急着写代码或查文献而是全队坐在一起反复阅读题目确保每个人对问题的理解一致。我们用了白板画出了几个关键要素核心目标最小化调度总成本包括运输成本和因车辆短缺/堆积导致的用户流失惩罚成本同时满足尽可能多的用户需求。这里的目标函数往往是多目标甚至带约束的需要权衡。决策变量我们需要决定的是什么是每个时间段从哪个站点调度多少辆车到哪个站点。这是一个典型的网络流问题决策变量是站点间的车辆流动量。输入与数据历史借还数据时间、站点、数量、站点地理位置、道路网络距离或时间、天气数据、日期类型工作日/周末/节假日。我们需要评估这些数据哪些是直接可用的哪些需要预处理比如处理缺失值、异常值哪些是强相关特征。约束条件调度车的数量不能超过站点当前存量调度需要时间距离/速度调度车辆总数有限公司车队规模站点有容量上限。这个过程的关键在于将一段充满细节的文字描述抽象成几个数学对象变量、目标、约束和它们之间的关系。我们当时争论最久的一点是如何量化“用户流失惩罚”。是简单地用未满足的需求数量乘以一个固定系数还是建立一个与等待时间相关的非线性函数这直接影响了模型的复杂度和求解方向。2.2 模型选型与思路分层没有最好只有最合适明确了问题骨架接下来就是给这个骨架填充血肉——选择或构建数学模型。数学建模没有标准答案关键在于模型的“合理性”和“可求解性”。我们团队初步形成了三个层次的思路层次一基准模型采用时间序列分析如ARIMA、LSTM单独预测每个站点未来的借车量和还车量得到供需预测。然后将调度问题简化为一个运输问题使用线性规划Linear Programming, LP或整数规划Integer Programming, IP在单个时间切片上求解最小成本调度方案。这个思路直观、经典易于实现和解释作为基准非常合适。层次二进阶模型考虑时空相关性。站点的需求不是独立的相邻站点、交通枢纽附近的站点存在联动效应。我们考虑使用图神经网络GNN或时空图卷积网络ST-GCN来同时捕捉站点的空间拓扑关系和时间动态进行更精准的联合预测。调度模型则升级为多时段的动态规划Dynamic Programming, DP或模型预测控制Model Predictive Control, MPC考虑调度动作的长期影响。层次三创新/风险模型引入强化学习Reinforcement Learning, RL。将调度中心视为智能体城市站点网络视为环境调度动作是智能体发出的指令用户满足度和成本作为奖励。通过训练让智能体学会在复杂不确定环境下做出长期最优的调度决策。这个思路非常前沿但风险极高需要大量的训练和调参在96小时内可能无法稳定收敛。经过激烈讨论我们决定采用“层次二为主层次一保底”的策略。原因是层次一虽然稳但难以脱颖而出层次三太冒险可能无法完成。层次二既能体现我们对复杂问题的把握能力又有相对成熟的工具包如PyTorch Geometric可以借鉴在创新和可行性之间取得了平衡。注意模型选择一定要考虑团队的技术栈和时间。如果一个团队没人熟悉深度学习强行上马GNN就是灾难。我们队里有一位同学专攻图神经网络这才让我们有底气选择这个方向。3. 数据预处理与特征工程实战建模思路确定后接下来面对的就是冰冷的数据。题目提供的数据往往“脏”且需要解读。这部分工作是整个项目的地基地基不牢后面模型再华丽也是空中楼阁。3.1 数据清洗与探索性分析EDA我们首先用Python的Pandas和Matplotlib/Seaborn库对数据进行全面检查。缺失值处理天气数据存在少量缺失。我们分析了缺失模式随机缺失还是连续缺失对于随机缺失采用同一时间段相邻站点的天气数据进行插补对于连续缺失的小段数据采用前后时间点的均值填充。并创建了一个“数据是否缺失”的布尔特征有时缺失本身也是一种信息。异常值检测发现某些站点在凌晨3点出现了异常高的借车记录。通过绘制时间序列箱线图并结合常识凌晨共享单车使用率极低我们判断这些是系统错误或测试数据。处理方式不是简单删除而是将其视为“特殊事件”用该站点历史同期数据的均值进行替换并标记了一个“异常点”特征。数据一致性检查检查借车量和还车量在全局上是否大致平衡考虑车辆新增与报废检查站点坐标是否在给定的地图边界内。EDA的核心是“用图说话”。我们绘制了各站点日均借还车量的热力图在地图上直观看到哪些是热门区域。借车量随时间小时、星期变化的整体趋势图发现了明显的早晚高峰和周末模式。借车量与温度、降雨量的散点图验证了天气的显著影响。3.2 特征构建为模型注入“领域知识”原始数据字段有限我们需要构建更有信息量的特征。这是体现建模者水平的关键一步。时间特征不仅仅是“小时”、“星期几”我们构造了“是否早高峰7-9点”、“是否晚高峰17-19点”、“是否节假日”、“是否节假日后的第一个工作日”存在明显的通勤模式变化。空间特征计算每个站点到最近的地铁站、商业中心、大学校园的距离。使用哈弗辛公式计算站点两两之间的地理距离并构建了站点的“度中心性”连接其他站点的数量基于一定距离阈值作为网络特征。聚合统计特征对于每个站点计算其过去1小时、3小时、24小时、同一星期同一时段的平均借车量、还车量、净流量还车-借车。这些滞后特征对预测至关重要。交互特征创建“当前小时是否雨天”、“站点热度是否周末”等特征捕捉不同因素之间的交互效应。我们使用scikit-learn的StandardScaler对连续数值特征进行了标准化对类别特征进行了独热编码One-Hot Encoding。特征工程后数据维度从原始的10余列扩展到了100多列。我们随后使用了特征重要性分析基于树模型和相关性矩阵剔除了部分冗余或重要性极低的特征防止过拟合。4. 预测模型构建时空图卷积网络ST-GCN的实现细节我们选择了时空图卷积网络作为我们需求预测的核心模型。下面详细拆解我们的实现过程。4.1 图结构定义首先需要定义站点的图结构。我们将每个共享单车站点视为图中的一个节点。节点特征每个节点的特征向量就是我们在特征工程阶段为该站点构建的所有特征时间、空间、统计特征等。边定义我们采用了两种方式构建边1)基于距离如果两个站点间的物理距离小于阈值D我们通过分析骑行数据分布设定为2公里则在它们之间建立一条无向边。2)基于相关性计算各站点历史借车量时间序列的皮尔逊相关系数保留相关系数大于阈值C设为0.7的边这能捕捉功能上的关联比如两个住宅区站点可能高度相关。邻接矩阵最终我们将两种边合并构建一个对称的0-1邻接矩阵A如果节点i和j有边则A[i,j]1否则为0。为了增加自连接我们使用了A_hat A II是单位矩阵。4.2 ST-GCN网络架构我们参考了经典的ST-GCN论文并针对我们的问题进行了简化。网络主要包含以下几个模块时空卷积块这是核心模块。它先对节点特征在空间维度上进行图卷积捕捉站点间的空间依赖然后在时间维度上进行一维卷积捕捉时间序列的动态变化。我们使用了以下公式简化版的图卷积H^{(l1)} σ(D^{-1/2} A_hat D^{-1/2} H^{(l)} W^{(l)})其中H^{(l)}是第l层的节点特征D是度矩阵W是可学习的权重矩阵σ是激活函数如ReLU。时间卷积使用一维卷积核在节点特征的时间序列上滑动。多个时空卷积块的堆叠我们堆叠了3个时空卷积块每个块后接批归一化BatchNorm和Dropout层以防止过拟合。随着层数加深模型能捕获更远距离的时空依赖。输出层最后一个卷积层的输出经过一个全连接层映射到每个站点未来N个时间步我们预测未来12小时以1小时为间隔的借车量和还车量两个值。4.3 训练与调参我们将历史数据按时间顺序划分为训练集70%、验证集15%和测试集15%。使用滑动窗口方法生成样本用一个长度为T过去24小时的窗口作为输入预测未来长度为N12小时的序列。损失函数采用平滑L1损失Smooth L1 Loss它对异常值不如MSE敏感训练更稳定。优化器使用Adam优化器初始学习率设为0.001并配合学习率衰减策略。超参数调优我们重点调整了图卷积的层数、隐藏层维度、时间卷积核大小、Dropout率和学习率。使用验证集上的损失作为评估标准手动进行了多轮网格搜索。最终一个3层ST-GCN隐藏层维度为64时间卷积核大小为3的模型在验证集上表现最好。实操心得训练深度学习模型非常耗时。我们在比赛中期才完成第一个可运行的ST-GCN训练一轮就需要近1小时。因此一定要尽早开始跑基线模型如线性回归、XGBoost确保数据管道和评估流程是通的。深度学习模型作为“奇兵”后期优化但绝不能把所有希望都押在上面。我们就是在训练ST-GCN的同时用XGBoost做出了一个还不错的预测结果作为备份。5. 调度优化模型混合整数规划求解拿到预测的未来各站点供需缺口后问题转化为一个多时段的车辆调度优化问题。我们将其建模为一个混合整数规划问题。5.1 模型形式化集合S: 站点集合T: 时间段集合例如未来12个小时V: 调度车辆集合假设有K辆车参数d_{ij}: 从站点i到站点j的调度时间小时c_{ij}: 从站点i调度一辆车到站点j的成本与距离成正比p_t: 时间段t未满足需求的单位惩罚成本Demand_{it}, Supply_{it}: 预测得到的站点i在时间段t的借车需求和还车供给Cap_i: 站点i的最大容量Init_i: 站点i的初始车辆数决策变量x_{ijt}: 整数在时间段t初从站点i调度到站点j的车辆数核心调度变量y_{it}: 整数站点i在时间段t开始时拥有的车辆数状态变量shortage_{it}: 连续站点i在时间段t的车辆短缺数需求未满足部分目标函数最小化总成本 调度成本 短缺惩罚成本Minimize Σ_{t∈T} Σ_{i,j∈S} c_{ij} * x_{ijt} Σ_{t∈T} Σ_{i∈S} p_t * shortage_{it}约束条件库存平衡约束站点i在t1时段初的车辆数等于t时段初的车辆数加上t时段内调度进来的车减去调度出去的车再加上t时段内该站点的净供给还车-借车短缺。y_{i,t1} y_{it} Σ_{j} x_{jit} - Σ_{j} x_{ijt} (Supply_{it} - Demand_{it} shortage_{it})这个约束是模型的核心确保了车辆流动的连续性。调度时间约束如果从i到j需要d_{ij}个时段那么x_{ijt发出的车只能在td_{ij}时段到达j站点。这需要引入额外的辅助变量和约束来处理我们做了简化假设调度在一个时段内完成d_{ij} 1对于更远距离我们通过将长距离调度分解为多个短距离段来近似处理这大大降低了模型复杂度。容量约束每个站点的车辆数不能超过其容量。y_{it} Cap_i非负与整数约束x_{ijt}为非负整数y_{it}为非负整数shortage_{it}为非负连续变量。5.2 求解与技巧我们使用Python的PuLP库也可用ortools、gurobipy来定义这个MIP模型并调用开源的CBC求解器进行求解。对于有上百个站点、十几个时间段的问题变量和约束数量会非常庞大。求解技巧问题分解我们尝试了两种分解方法。一是时间分解先求解第一个时间段的调度固定结果后再求解第二个时间段如此滚动向前。这牺牲了全局最优性但求解速度极快。二是空间聚类分解将地理位置相近的站点聚类成几个大区先进行区间的宏观调度再在每个区内进行微观调度。这显著减少了变量规模。设置求解时间限制对于大规模MIP找到最优解可能需要数小时。我们设定一个合理的时间限制如30分钟让求解器返回当前找到的最好可行解。利用初始解我们可以用一些启发式规则如优先从盈余站点向短缺站点调度生成一个初始可行解提供给求解器这能大大加快求解进程。松弛与近似在最终模型里我们将车辆数y_{it}和调度量x_{ijt}从整数松弛为连续变量。因为车辆数很大时整数解和连续解非常接近而求解速度能提升一个数量级。我们在论文中说明了这一近似及其合理性。最终我们结合了时间滚动和连续松弛的方法在可接受的时间内得到了一个质量很高的调度方案。我们将调度方案可视化在了城市地图上用动态流图展示了车辆如何像血液一样在城市网络中流动以平衡供需视觉效果和解释性都非常好。6. 论文写作与结果可视化呈现数学建模竞赛最终提交的是一篇论文。模型再精彩表达不清也前功尽弃。写作占据了我们最后24小时的大部分时间。6.1 论文结构把控我们严格按照竞赛要求的论文结构来组织摘要这是论文的灵魂评委可能只看摘要。我们用一段话清晰陈述了问题、我们的方法ST-GCN预测 MIP调度、模型的主要特点考虑了时空相关性、多目标优化以及最重要的结论我们的方案能将调度成本降低X%需求满足率提升Y%。摘要务必独立成文包含所有关键信息。引言重述问题强调其现实意义简要综述现有方法文献回顾指出其不足然后引出我们的工作贡献。模型假设与符号说明明确列出所有假设如“调度时间小于1小时”、“用户需求必须优先满足”并用表格清晰定义所有用到的主要符号。这体现了严谨性。模型建立这是核心章节。我们分了两大部分5.1 基于ST-GCN的需求预测模型5.2 基于MIP的车辆调度优化模型。每一部分都从问题形式化开始到模型细节包括公式、框图我们画了ST-GCN的结构图和调度问题的网络流图。模型求解与结果分析描述数据预处理、特征工程、模型训练超参数、损失曲线、优化求解过程。然后展示结果预测误差用MAE, RMSE, MAPE等指标、调度方案的成本和效益分析。我们做了敏感性分析比如改变惩罚成本p_t观察调度方案和总成本如何变化。模型评价与推广客观评价我们模型的优点如综合考虑时空因素、求解效率高和缺点如对数据质量依赖高、某些假设可能过于简化。并提出模型的可能改进方向如引入强化学习、考虑动态交通路况以及在其他场景如物流配送、电网负荷调度的推广潜力。参考文献与附录规范引用参考文献。附录里我们放了核心代码的伪代码、部分详细数据表格和额外的结果图。6.2 可视化一图胜千言在结果分析部分我们精心设计了多张图表预测效果对比图将ST-GCN、XGBoost和朴素历史均值法对未来12小时的预测曲线与真实值画在一起直观显示我们模型的优越性。调度方案热力图用热力图展示一天中不同时间段各站点需要调出蓝色或调入红色的车辆强度。成本效益分析柱状图对比我们的方案与基准方案如无调度、简单最近邻调度在总成本和需求满足率上的差异。动态调度流程图附录中我们甚至用matplotlib.animation做了一个简单的动态图展示车辆如何随着时间在站点间移动这个虽然费时但极大地增强了论文的展示效果。所有图表都确保清晰、规范有明确的标题、坐标轴标签和图例。颜色搭配采用色盲友好的配色方案如viridis, plasma。7. 团队协作、时间管理与常见避坑指南96小时的高强度竞赛是对团队协作和项目管理能力的极限考验。7.1 分工与协作模式我们队三人角色相对明确但又有交叉同学A我主要负责模型主体设计、算法实现特别是ST-GCN和MIP建模和论文核心章节撰写。同学B主要负责数据预处理、特征工程、基础模型XGBoost等实现、结果可视化和论文润色。同学C主要负责文献调研、模型假设与理论梳理、论文引言、优缺点分析、格式排版和最终校对。我们使用Git进行代码版本管理Overleaf进行在线LaTeX论文协作。每天早中晚三次短会同步进度、解决问题、调整方向。关键决策如模型选型必须三人达成一致。7.2 时间节点控制我们制定了粗略的时间线并严格执行第0-12小时理解题目、头脑风暴、确定初步思路、完成文献快速调研。这个阶段切忌匆忙定模型一定要充分讨论。第12-36小时数据预处理、特征工程、搭建基准模型XGBoost预测简单LP调度并跑通全流程。此时必须有一个能运行、能出初步结果的完整Pipeline。第36-72小时实现核心模型ST-GCN、复杂MIP调试、训练、优化。同时开始论文的引言、假设、符号说明等前期章节的撰写。第72-90小时模型最终求解结果分析绘制所有图表。全力撰写论文主体部分模型、求解、结果。第90-96小时论文整合、摘要撰写、结论打磨、反复校对公式、符号、语法、格式、最终提交。最后2小时必须留作缓冲用于处理突发问题如文件过大上传失败。7.3 常见问题与避坑指南结合我们的经验和听到的其他队伍教训总结以下几点坑盲目追求复杂模型。看到问题就想上深度学习、强化学习结果数据量不够、训练不稳定、调参无底洞最后连一个可用的结果都没有。对策先建立一个简单但完整的基准模型确保它能工作。复杂模型作为加分项在基准模型稳固后再尝试。坑忽略模型的可解释性。黑箱模型即使预测准如果无法在论文中合理解释其内在逻辑也会失分。对策对于使用的复杂模型如GNN要在论文中解释其工作原理如图卷积如何聚合邻居信息。对于优化结果要进行敏感性分析说明关键参数的影响。坑论文写成实验报告或代码说明书。通篇都是“我们做了A然后做了B结果如图C”。对策论文要有故事线。以“问题-挑战-我们的思路-模型设计-验证-分析”的逻辑展开强调你的思考过程和决策理由。坑最后时刻匆忙写摘要。摘要是最重要的部分却往往最后才写导致仓促。对策在比赛中期就起草摘要的初稿随着工作推进不断更新和完善。最后专门留出1小时精心打磨摘要。坑不检查数据单位和尺度。例如距离单位是米还是公里成本单位是元还是分一个单位错误可能导致结果数量级完全错误。对策在数据预处理和模型定义阶段就明确所有数据的单位并在论文符号说明中注明。结果出来后用常识判断一下比如调度一辆车的成本是几元还是几万元。坑团队沟通不畅各自为战。最后发现模型假设对不上或者代码接口不一致。对策定期开会使用共享文档如Google Docs记录所有关键决策、假设和定义。代码接口提前约定好。那次APMCM我们最终获得了一等奖。回顾那96小时最大的收获不是奖项而是在极限压力下将“数学好玩”这个理念通过团队协作变成一套解决实际问题的严谨方法论的过程。数学不再只是试卷上的公式而是我们用来理解世界、优化世界的语言和工具。那种为一个目标共同奋斗最后看到模型跑出漂亮结果、论文成型的成就感确实非常“好玩”。对于准备参加类似竞赛的同学我的建议是尽早组队磨合打好编程和数学基础多研读优秀论文学习其思路和表达最重要的是享受这个把抽象想法落地的、痛苦又快乐的过程。在比赛里你学到的将远超数学和编程本身。