主题
数学建模常见方法总览与选择思路
方法速览
- 主要用途 从交付结果出发,确定建模任务和候选方法。
- 必要输入 题目要求、可用数据、可执行限制和结果用途。
- 适用条件 每问的输出、信息可用时间和成功标准可以说清。
- 典型不适用情况 目标或数据含义尚未确认时,直接按熟悉的算法套题。
- 最低限度的验证方式 先做一个可复现的基线,再按任务复核误差、排序或可行性。
先写清楚要交付什么
把题目拆成一句能核对的话,例如“用每小时用电量预测明天各时段负荷”或“在总预算内给出每个站点的设备数量”。同一背景可能有多问。先预测需求再确定库存时,前者的输出是未来需求,后者的输出是可执行的订货量。每问都写清现有输入、允许使用的信息、输出单位、使用场景,以及判断好坏的标准。
用任务结构缩小范围
| 要交付的结果 | 先试的方法 | 何时换思路 |
|---|---|---|
| 个体连续值或类别 | 线性回归、逻辑回归 | 稳定的非线性或交互可试树模型 |
| 将来某刻的值 | 上一期值、指数平滑、ARIMA | 季节性、外部输入或突变要单独处理 |
| 无标签的分组或少量综合变量 | K-means、PCA | 前者找群组,后者压缩连续特征 |
| 已有方案的排序 | TOPSIS 配合适当权重 | 有强制门槛先筛选,多方偏好分别呈现 |
| 约束下可执行的方案 | 线性规划、整数规划 | 出现真实非线性或多个独立目标时再扩展 |
| 复杂空间的近似解或概率估计 | 蒙特卡洛方法、模拟退火算法 | 随机方法需要重复实验与种子复现,见各页验证要求 |
| 对时间机制的解释或模拟 | 微分方程 | 先确认机理和参数可用数据支撑 |
一列数字可能同时出现在预测、评价和优化中。先看问题要的是未来值、相对名次还是新方案,才能决定怎么用这列数字。
确定哪些条件会排除方法
如果训练时使用的信息在预测时拿不到,先修改特征设计。缺少可信标签时,有监督分类需要另外取得标签,聚类只能发现结构。候选设施有审批资格或预算门槛时,先按硬约束排除不可行项,再比较合格方案。变量只能取整时,把整数条件写进求解模型。碰到短数据或明显结构突变,一群复杂模型也无法补齐观测信息。
把“好”写成可重复的检查
预测可以在同一批留出样本上比较平均绝对误差,记真实值为
《Forecasting: Principles and Practice》中的平均绝对误差
评价看方向、权重和名次对合理扰动的敏感程度。优化逐条代回约束,并重算目标值。拟合动力学模型还要核对状态范围、平衡点和数值步长。不同任务各有检查,不能统一拿训练准确率判断。
用服务点订单做一次假设算例
假设某服务点从最近三天观测到
选模时常见的三个误区
把一次领先当成长期领先会忽略切分波动。把同一张全量数据用作训练和验证会高估效果。为了方法多而重复建模也会掩盖主线。初次建模只需保留一个能复现的基线,再加一个能说明改进假设的比较对象,记录它们在哪些样本上失败。