1. 从“开题”到“建模”第二日的战略重心转移如果你也参加过数学建模竞赛或者正准备参加那你一定对“第二天”这个时间节点有深刻的感受。第一天大家通常还处在一种“兴奋的混乱”中拿到题目头脑风暴查资料争论选题搭建初步框架。但到了第二天当第一天的热情逐渐褪去面对着一堆零散的思路和尚未成型的模型一种无形的压力会悄然袭来。很多人把第二天称为“建模攻坚日”也有人戏称为“心态崩盘日”。在我看来数学建模的第二天核心任务就是完成一次决定性的战略重心转移从“我们要做什么”的宏观讨论彻底转向“我们具体怎么做”的微观执行。第一天的成果往往是一个相对模糊的“解题方向”和一堆可能用到的“工具清单”。比如我们可能确定了要用“综合评价模型”来解决某个问题也查到了层次分析法、TOPSIS法、熵权法等名词。但这远远不够。第二天我们必须把这些名词变成一行行可执行的代码、一个个可计算的公式、一张张有意义的图表。这个转换过程是决定论文质量与竞赛成绩的分水岭。它要求我们摈弃空谈直面三个最具体的问题模型的具体数学形式是什么数据如何处理才能喂给模型编程实现的关键难点在哪里很多队伍折在第二天不是因为能力不行而是因为节奏乱了。要么在几个模型之间反复横跳迟迟无法落地要么一头扎进编程细节忘了模型本身的逻辑自洽要么分工混乱有人忙死有人闲死。因此第二日的核心与其说是技术攻坚不如说是项目管理与执行效率的考验。我们需要一个清晰的行动框架来确保团队在有限的时间内产出最大化的、可交付的中间成果。2. 模型具象化把“想法”变成“公式”和“流程图”第二天上午首要任务就是终结关于“用什么模型”的争论将选定的模型彻底具象化。这不仅仅是说出模型的名字而是要完成以下三件事2.1 定义清晰的输入与输出这是建模的起点也是最容易产生歧义的地方。我们必须用数学语言严格定义。输入Input具体是哪些变量它们的物理意义是什么量纲是什么是连续值还是离散值数据来源和格式是否明确例如如果我们的模型需要“经济发展水平”这个指标那么它具体由“人均GDP”、“第三产业占比”、“财政收入”三个标准化后的数据加权合成这就是一个清晰的输入定义。模糊的输入会导致后续数据处理和模型运行一片混乱。输出Output模型最终要给出什么结果是一个综合得分一个分类标签一个预测数值还是一个排序序列输出的形式直接决定了评价模型好坏的标准。实操心得我习惯在确定模型后立刻在论文草稿的“模型建立”部分画一个最简单的系统框图。左边方框是输入变量清单中间方框是模型名称内部再细化右边方框是输出结果。这个图看似简单但它强制团队所有人对齐认知也是后续写作时描述模型的基础。2.2 拆解模型步骤绘制算法流程图这是第二天上午最具价值的工作。以经典的层次分析法AHP为例不能只说“我们用AHP确定权重”。必须拆解建立层次结构目标层、准则层、方案层分别是什么用Visio或PPT画出来。构造判断矩阵准则之间两两比较的依据是什么例如采用1-9标度法这个比较过程是专家打分还是基于数据推导这一步就要设计出打分的表格或数据转换公式。一致性检验具体如何计算一致性指标CI查找平均随机一致性指标RI的表格是否准备好一致性比率CR的可接受阈值是多少通常0.1不通过怎么办修正判断矩阵或剔除异常比较计算权重是采用特征根法还是和积法、方根法具体公式要列出来。对于更复杂的模型如时间序列预测ARIMA流程图就更关键开始 - 数据平稳性检验ADF检验 - 否 - 差分运算d阶 - 是 - 确定ARIMA(p,d,q)模型阶数 - 通过ACF/PACF图观察 - 参数估计与模型检验 - 模型预测 - 结束画出这个流程图编程的同学就知道他要实现哪些函数adfuller_test,diff,plot_acf,plot_pacf,ARIMA.fit负责写作的同学就知道论文里“模型求解”部分要写哪些章节。流程图是连接思想、数学与代码的桥梁。2.3 明确假设条件与模型局限性任何模型都有其适用边界。在具象化的同时必须明确写出模型的假设。例如“假设评价指标之间相互独立。”用于加权求和模型“假设数据缺失是随机的采用均值插补法处理。”用于数据预处理“假设未来短期内外部环境无剧烈变化。”用于预测模型明确假设有两大好处一是让模型更严谨二是为后续的“模型检验与推广”部分埋下伏笔。你可以讨论如果假设不成立模型可以如何改进。3. 数据实战清洗、转换与探索性分析模型框架搭好紧接着就要处理“燃料”——数据。第二天下午通常是和数据“搏斗”的时间。这里绝不仅仅是简单的导入和计算而是一个需要高度细心和判断力的过程。3.1 数据清洗处理缺失、异常与重复真实数据永远是不完美的。竞赛题目的数据无论是附件给出的还是自己爬取的几乎100%存在各种问题。缺失值处理这是最常见的问题。直接删除缺失样本用均值/中位数/众数填充用前后数据插值还是用机器学习算法如KNN预测填充选择哪种方法必须结合业务背景和模型需求。例如在时间序列中线性插值可能比均值填充更合理如果缺失率太高如超过50%直接删除该特征或样本可能是更稳妥的选择。关键点在论文中必须明确陈述你采用了哪种方法并简要说明理由。异常值检测与处理异常值可能是宝藏指示特殊现象也可能是噪音数据录入错误。常用方法有3σ原则拉依达准则适用于近似正态分布的数据。计算均值μ和标准差σ将不在(μ-3σ, μ3σ)区间内的数据视为异常值。但此法对极端值本身敏感。箱线图法更稳健。将小于Q1-1.5IQR或大于Q31.5IQR的数据视为异常值Q1为下四分位数Q3为上四分位数IQRQ3-Q1。处理方法同样需要谨慎。可以视为缺失值处理也可以进行截尾处理Winsorization或者单独分析。我的经验是先别急着删除画个散点图看看异常值的分布。如果它们有明显的聚集性可能代表了一个重要的子模式值得深入研究。3.2 数据转换为模型“定制”输入清洗后的数据往往不能直接扔进模型。需要根据模型要求进行转换。标准化/归一化这是多指标综合评价模型的必选项。不同指标量纲和数量级不同直接相加没有意义。Min-Max归一化将数据缩放到[0,1]区间。公式x (x - min)/(max - min)。优点是结果范围固定缺点是受极端值影响大。Z-Score标准化将数据转换为均值为0、标准差为1的分布。公式x (x - μ)/σ。适用于数据分布近似正态的情况是很多机器学习模型如聚类、PCA的默认要求。选择建议如果你的数据有明确边界或者后续需要计算分数如百分制用归一化。如果你的数据分布未知或需要消除量纲用标准化。在论文中必须写明你用了哪种方法并给出变换后的数据描述性统计如新数据的均值、方差以证明处理有效。指标正向化对于成本型指标越小越好需要将其转化为效益型指标越大越好。常用方法有倒数法、差值法x M - x其中M为指标可能的最大值。3.3 探索性数据分析用可视化发现故事在正式建模前花1-2个小时做探索性数据分析EDA是极高性价比的投资。这不是为了凑图而是为了验证数据质量看看分布是否正常转换效果如何。发现潜在规律变量之间是否有相关性是否存在明显的聚类趋势时间序列是否有周期性启发模型思路散点图里呈现的线性关系可能提示你用回归分布的多峰可能提示你需要分类讨论。必备的可视化工具分布图直方图、核密度估计图查看单变量分布。关系图散点图矩阵pairplot、热力图用于相关系数矩阵查看变量间关系。对比图分组箱线图查看不同类别下指标的差异。时序图折线图用于时间序列数据观察趋势、周期和异常。注意在竞赛论文中每一个图都应有其明确的目的和对应的文字分析。不要堆砌图表而要“让图表说话”支撑你的论证过程。4. 编程实现分工、调试与结果验证当模型和数据处理方案都清晰后编程实现就成为第二日下半段到晚上的核心。这里最怕的就是“一人埋头苦干其他两人干等”。4.1 高效分工模式我实践过最有效的分工模式是“主编程手副编程手/写作手”的协同。主编程手负责核心模型的代码实现。他/她需要根据上午确定的流程图将每个步骤函数化。例如实现AHP的权重计算和一致性检验函数实现ARIMA模型的自动定阶和拟合。副编程手/写作手负责数据预处理管道和结果可视化。这包括编写数据清洗、转换的脚本在核心模型跑出结果后立即绘制各种分析图表如权重排序图、预测对比图、聚类效果图。同时此人可以开始撰写论文中“数据预处理”、“实验结果可视化”部分的初稿。第三名队员此时不应空闲其核心任务是辅助调试与验证。具体工作包括为程序准备小的、干净的测试数据集用Excel或计算器手动计算几个简单案例与程序输出进行交叉验证确保核心逻辑无误查阅文献为模型结果寻找理论解释或对比依据。4.2 调试的核心单元测试与集成测试思维不要写完所有代码再一起运行那会是一场调试噩梦。采用“分而治之”的策略单元测试每写一个函数就立即用测试数据验证。比如写完数据归一化函数就输入[1,2,3,4,5]看输出是否符合预期[0, 0.25, 0.5, 0.75, 1]。确保每个“零件”都是好的。集成测试将几个关联函数组合起来测试。例如测试“数据读取 - 清洗 - 标准化 - 输入AHP权重计算函数”这个流程是否通畅。结果合理性检验这是建模中最容易忽视也最重要的一环。程序跑出结果后一定要问这个结果符合常识和题目的背景吗例如在评价城市发展水平时如果某个公认的一线城市综合得分反而很低那几乎可以肯定模型、数据或权重出了问题。必须立刻回头检查而不是硬着头皮往下写。常见坑点与技巧库版本问题sklearn、statsmodels、pandas等库不同版本的API可能有细微差别。建议在比赛一开始就记录下所有包的版本号或者直接使用竞赛平台提供的统一环境。随机数种子涉及随机抽样的算法如K-Means聚类、神经网络初始化、交叉验证数据分割务必设置随机数种子如np.random.seed(42)或random_state42确保结果可复现。内存与性能处理大数据时注意使用向量化操作NumPy/Pandas代替循环。如果程序运行过慢考虑使用数据采样先在小样本上调试模型或优化算法。4.3 产出可交付的中间成果第二日结束前团队必须产出以下“硬核”成果而不是一堆半成品代码一套可运行的核心模型代码至少能处理样例数据并输出关键结果。一组高质量的结果图表包括但不限于处理前后数据对比图、模型输出的核心结果图如权重柱状图、预测拟合图、聚类散点图。论文核心部分的初稿“问题重述”用自己的话写完。“模型假设”列表清晰。“符号说明”表格完成。“数据预处理”部分附上方法说明和效果图。“模型建立”部分完成模型流程图和公式推导。“模型求解”部分可以先把图表和结果放上去文字描述可简略。拥有这些第三天的工作就变成了“填充、优化、完善和总结”心态上会从容很多。第二日的价值就在于把不确定的“可能性”转化为确定的、可见的“进度条”。当你看到第一个模型结果在屏幕上正确显示第一张分析图表完美生成时那种焦虑感会瞬间被成就感取代团队的士气也将为之一振。这才是顺利度过“建模第二日”的真正标志。 
长河君 · 2026/8/24 11:33:53 · 阅读 1.2k 数学建模竞赛第二日攻坚：从模型具象化到代码落地的实战指南
1. 从“开题”到“建模”第二日的战略重心转移如果你也参加过数学建模竞赛或者正准备参加那你一定对“第二天”这个时间节点有深刻的感受。第一天大家通常还处在一种“兴奋的混乱”中拿到题目头脑风暴查资料争论选题搭建初步框架。但到了第二天当第一天的热情逐渐褪去面对着一堆零散的思路和尚未成型的模型一种无形的压力会悄然袭来。很多人把第二天称为“建模攻坚日”也有人戏称为“心态崩盘日”。在我看来数学建模的第二天核心任务就是完成一次决定性的战略重心转移从“我们要做什么”的宏观讨论彻底转向“我们具体怎么做”的微观执行。第一天的成果往往是一个相对模糊的“解题方向”和一堆可能用到的“工具清单”。比如我们可能确定了要用“综合评价模型”来解决某个问题也查到了层次分析法、TOPSIS法、熵权法等名词。但这远远不够。第二天我们必须把这些名词变成一行行可执行的代码、一个个可计算的公式、一张张有意义的图表。这个转换过程是决定论文质量与竞赛成绩的分水岭。它要求我们摈弃空谈直面三个最具体的问题模型的具体数学形式是什么数据如何处理才能喂给模型编程实现的关键难点在哪里很多队伍折在第二天不是因为能力不行而是因为节奏乱了。要么在几个模型之间反复横跳迟迟无法落地要么一头扎进编程细节忘了模型本身的逻辑自洽要么分工混乱有人忙死有人闲死。因此第二日的核心与其说是技术攻坚不如说是项目管理与执行效率的考验。我们需要一个清晰的行动框架来确保团队在有限的时间内产出最大化的、可交付的中间成果。2. 模型具象化把“想法”变成“公式”和“流程图”第二天上午首要任务就是终结关于“用什么模型”的争论将选定的模型彻底具象化。这不仅仅是说出模型的名字而是要完成以下三件事2.1 定义清晰的输入与输出这是建模的起点也是最容易产生歧义的地方。我们必须用数学语言严格定义。输入Input具体是哪些变量它们的物理意义是什么量纲是什么是连续值还是离散值数据来源和格式是否明确例如如果我们的模型需要“经济发展水平”这个指标那么它具体由“人均GDP”、“第三产业占比”、“财政收入”三个标准化后的数据加权合成这就是一个清晰的输入定义。模糊的输入会导致后续数据处理和模型运行一片混乱。输出Output模型最终要给出什么结果是一个综合得分一个分类标签一个预测数值还是一个排序序列输出的形式直接决定了评价模型好坏的标准。实操心得我习惯在确定模型后立刻在论文草稿的“模型建立”部分画一个最简单的系统框图。左边方框是输入变量清单中间方框是模型名称内部再细化右边方框是输出结果。这个图看似简单但它强制团队所有人对齐认知也是后续写作时描述模型的基础。2.2 拆解模型步骤绘制算法流程图这是第二天上午最具价值的工作。以经典的层次分析法AHP为例不能只说“我们用AHP确定权重”。必须拆解建立层次结构目标层、准则层、方案层分别是什么用Visio或PPT画出来。构造判断矩阵准则之间两两比较的依据是什么例如采用1-9标度法这个比较过程是专家打分还是基于数据推导这一步就要设计出打分的表格或数据转换公式。一致性检验具体如何计算一致性指标CI查找平均随机一致性指标RI的表格是否准备好一致性比率CR的可接受阈值是多少通常0.1不通过怎么办修正判断矩阵或剔除异常比较计算权重是采用特征根法还是和积法、方根法具体公式要列出来。对于更复杂的模型如时间序列预测ARIMA流程图就更关键开始 - 数据平稳性检验ADF检验 - 否 - 差分运算d阶 - 是 - 确定ARIMA(p,d,q)模型阶数 - 通过ACF/PACF图观察 - 参数估计与模型检验 - 模型预测 - 结束画出这个流程图编程的同学就知道他要实现哪些函数adfuller_test,diff,plot_acf,plot_pacf,ARIMA.fit负责写作的同学就知道论文里“模型求解”部分要写哪些章节。流程图是连接思想、数学与代码的桥梁。2.3 明确假设条件与模型局限性任何模型都有其适用边界。在具象化的同时必须明确写出模型的假设。例如“假设评价指标之间相互独立。”用于加权求和模型“假设数据缺失是随机的采用均值插补法处理。”用于数据预处理“假设未来短期内外部环境无剧烈变化。”用于预测模型明确假设有两大好处一是让模型更严谨二是为后续的“模型检验与推广”部分埋下伏笔。你可以讨论如果假设不成立模型可以如何改进。3. 数据实战清洗、转换与探索性分析模型框架搭好紧接着就要处理“燃料”——数据。第二天下午通常是和数据“搏斗”的时间。这里绝不仅仅是简单的导入和计算而是一个需要高度细心和判断力的过程。3.1 数据清洗处理缺失、异常与重复真实数据永远是不完美的。竞赛题目的数据无论是附件给出的还是自己爬取的几乎100%存在各种问题。缺失值处理这是最常见的问题。直接删除缺失样本用均值/中位数/众数填充用前后数据插值还是用机器学习算法如KNN预测填充选择哪种方法必须结合业务背景和模型需求。例如在时间序列中线性插值可能比均值填充更合理如果缺失率太高如超过50%直接删除该特征或样本可能是更稳妥的选择。关键点在论文中必须明确陈述你采用了哪种方法并简要说明理由。异常值检测与处理异常值可能是宝藏指示特殊现象也可能是噪音数据录入错误。常用方法有3σ原则拉依达准则适用于近似正态分布的数据。计算均值μ和标准差σ将不在(μ-3σ, μ3σ)区间内的数据视为异常值。但此法对极端值本身敏感。箱线图法更稳健。将小于Q1-1.5IQR或大于Q31.5IQR的数据视为异常值Q1为下四分位数Q3为上四分位数IQRQ3-Q1。处理方法同样需要谨慎。可以视为缺失值处理也可以进行截尾处理Winsorization或者单独分析。我的经验是先别急着删除画个散点图看看异常值的分布。如果它们有明显的聚集性可能代表了一个重要的子模式值得深入研究。3.2 数据转换为模型“定制”输入清洗后的数据往往不能直接扔进模型。需要根据模型要求进行转换。标准化/归一化这是多指标综合评价模型的必选项。不同指标量纲和数量级不同直接相加没有意义。Min-Max归一化将数据缩放到[0,1]区间。公式x (x - min)/(max - min)。优点是结果范围固定缺点是受极端值影响大。Z-Score标准化将数据转换为均值为0、标准差为1的分布。公式x (x - μ)/σ。适用于数据分布近似正态的情况是很多机器学习模型如聚类、PCA的默认要求。选择建议如果你的数据有明确边界或者后续需要计算分数如百分制用归一化。如果你的数据分布未知或需要消除量纲用标准化。在论文中必须写明你用了哪种方法并给出变换后的数据描述性统计如新数据的均值、方差以证明处理有效。指标正向化对于成本型指标越小越好需要将其转化为效益型指标越大越好。常用方法有倒数法、差值法x M - x其中M为指标可能的最大值。3.3 探索性数据分析用可视化发现故事在正式建模前花1-2个小时做探索性数据分析EDA是极高性价比的投资。这不是为了凑图而是为了验证数据质量看看分布是否正常转换效果如何。发现潜在规律变量之间是否有相关性是否存在明显的聚类趋势时间序列是否有周期性启发模型思路散点图里呈现的线性关系可能提示你用回归分布的多峰可能提示你需要分类讨论。必备的可视化工具分布图直方图、核密度估计图查看单变量分布。关系图散点图矩阵pairplot、热力图用于相关系数矩阵查看变量间关系。对比图分组箱线图查看不同类别下指标的差异。时序图折线图用于时间序列数据观察趋势、周期和异常。注意在竞赛论文中每一个图都应有其明确的目的和对应的文字分析。不要堆砌图表而要“让图表说话”支撑你的论证过程。4. 编程实现分工、调试与结果验证当模型和数据处理方案都清晰后编程实现就成为第二日下半段到晚上的核心。这里最怕的就是“一人埋头苦干其他两人干等”。4.1 高效分工模式我实践过最有效的分工模式是“主编程手副编程手/写作手”的协同。主编程手负责核心模型的代码实现。他/她需要根据上午确定的流程图将每个步骤函数化。例如实现AHP的权重计算和一致性检验函数实现ARIMA模型的自动定阶和拟合。副编程手/写作手负责数据预处理管道和结果可视化。这包括编写数据清洗、转换的脚本在核心模型跑出结果后立即绘制各种分析图表如权重排序图、预测对比图、聚类效果图。同时此人可以开始撰写论文中“数据预处理”、“实验结果可视化”部分的初稿。第三名队员此时不应空闲其核心任务是辅助调试与验证。具体工作包括为程序准备小的、干净的测试数据集用Excel或计算器手动计算几个简单案例与程序输出进行交叉验证确保核心逻辑无误查阅文献为模型结果寻找理论解释或对比依据。4.2 调试的核心单元测试与集成测试思维不要写完所有代码再一起运行那会是一场调试噩梦。采用“分而治之”的策略单元测试每写一个函数就立即用测试数据验证。比如写完数据归一化函数就输入[1,2,3,4,5]看输出是否符合预期[0, 0.25, 0.5, 0.75, 1]。确保每个“零件”都是好的。集成测试将几个关联函数组合起来测试。例如测试“数据读取 - 清洗 - 标准化 - 输入AHP权重计算函数”这个流程是否通畅。结果合理性检验这是建模中最容易忽视也最重要的一环。程序跑出结果后一定要问这个结果符合常识和题目的背景吗例如在评价城市发展水平时如果某个公认的一线城市综合得分反而很低那几乎可以肯定模型、数据或权重出了问题。必须立刻回头检查而不是硬着头皮往下写。常见坑点与技巧库版本问题sklearn、statsmodels、pandas等库不同版本的API可能有细微差别。建议在比赛一开始就记录下所有包的版本号或者直接使用竞赛平台提供的统一环境。随机数种子涉及随机抽样的算法如K-Means聚类、神经网络初始化、交叉验证数据分割务必设置随机数种子如np.random.seed(42)或random_state42确保结果可复现。内存与性能处理大数据时注意使用向量化操作NumPy/Pandas代替循环。如果程序运行过慢考虑使用数据采样先在小样本上调试模型或优化算法。4.3 产出可交付的中间成果第二日结束前团队必须产出以下“硬核”成果而不是一堆半成品代码一套可运行的核心模型代码至少能处理样例数据并输出关键结果。一组高质量的结果图表包括但不限于处理前后数据对比图、模型输出的核心结果图如权重柱状图、预测拟合图、聚类散点图。论文核心部分的初稿“问题重述”用自己的话写完。“模型假设”列表清晰。“符号说明”表格完成。“数据预处理”部分附上方法说明和效果图。“模型建立”部分完成模型流程图和公式推导。“模型求解”部分可以先把图表和结果放上去文字描述可简略。拥有这些第三天的工作就变成了“填充、优化、完善和总结”心态上会从容很多。第二日的价值就在于把不确定的“可能性”转化为确定的、可见的“进度条”。当你看到第一个模型结果在屏幕上正确显示第一张分析图表完美生成时那种焦虑感会瞬间被成就感取代团队的士气也将为之一振。这才是顺利度过“建模第二日”的真正标志。