2023mathorcup大数据竞赛选题建议及思路

大家好呀，昨天6点2023年第四届MathorCup高校数学建模挑战赛——大数据竞赛开赛，在这里给大家带来初步的选题建议及思路。

注意，本文章只是比较简略的图文讲解，更加详细完整的视频讲解请移步：

2023mathorcup大数据数学建模竞赛选题建议及A题B题思路_哔哩哔哩_bilibili

首先是主基调：

本次mathorcup大数据竞赛AB难度都不低，我个人更推荐小白选择A题，B题看似简单，实际上仅第一问就需要迭代最起码上千次时间序列模型做预测，求解十分繁琐，很容易卡壳，而且想做好是很难的。 A虽然略硬核，但只要有matlab，会最基础的导入数据操作（我会教），直接采用我提取特征数据的代码提取特征然后做机器学习分类预测即可。目前我已经提取了301个图片各自4096个特征，下一步准备降维或者直接进行机器学习分类。 预计28-29日更新A完整成品，B不一定做，具体看需求情况，建议尽量还是选A。

接下来详细讲讲初步思路吧：

赛道A:基于计算机视觉的坑洼道路检测和识别

问题1:结合给出的图像文件，提取图像特征，建立一个识别率高、速度快、分类准确的模型，用于识别图像中的道路是正常或者坑洼。

主要就是提取图像特征嘛，题目给了我们301张图片，看一下：

这些图片的名称本身是包含其是否为坑洼路面的信息的。也就是说后面做机器学习的标签是有的。

那第一步就是提取图像特征了，提取出来特征数据，后面就可以做机器学习分类。提取特征之前，先把图像处理成一样的大小，也就是说像素值要一样，不然我们不太方便采用深度学习算法进行特征提取：

像素值大家可以自由设置，具体怎么设置我在论文里到时候也会教。

之后就是深度学习提取特征：

我提取的特征数量是每个图片4096个，所以一共301*4096：

接下来用户这些特征做机器学习就行，当然了，特征数量太多，因此可能存在过拟合或者计算量过大，也许需要特征降维，这个等我具体训练之后看看精度吧。

给大家送一些部分图片的特征表格，看我文章最下方视频讲解。

问题2:对问题1中构建的模型进行训练,并从不同维度进行模型评估。

用一些指标评估精度，调优就行。

赛道B:电商零售商家需求预测及库存优化问题

问题一:使用附件1-4中的数据，预测出各商家在各仓库的商品2023-05-16至2023-05-30 的需求量，请将预测结果填写在结果表1并上传至竞赛平台，并对你们模型的预测性能进行评价。另外请讨论:根据数据分析及建模过程，这些由商家、仓库、商品形成的时间序列如何分类，使同一类别在需求上的特征最为相似?

B题看似简单，实则做起来会很麻烦。要预测各商家在各仓库的商品需求量，我们来看看数据表格：

35个商家：

1212个商品：

54个仓库：

一个商家-商品-仓库组合才是一个序列，每一个序列都有166个完整的时间数据。

所以，我们需要迭代计算最起码上千个时间序列模型并进行精度计算，这个计算量是非常非常大的，别说新手小白，我自己做起来估计也要很久。必须要有丰富的大数据处理相关经验。

当然了，简化一点的做法就是转化为机器学习模型或者先聚类，然后粗略地把每一类做一个预测，但最标准的做法肯定还是第一种。

之后研究如何分类使得特征需求相似：

两种做法，第一种是根据时间序列的特征进行分类，例如残差大小。

第二种更推荐，那就是根据题目的一些分类做分析。题目的附件2-4给出了商家仓库商品的各种分类信息，我们可以做一下统计，举个例子：

 seller_level
 Large      14.244694
 Medium      7.682062
 Small      31.873000
 Special    14.067908
 Name: qty, dtype: float64,
 warehouse _category
 中心仓 24.151613
 区域仓 8.616975
 Name: qty, dtype: float64,
 warehouse _region
 东北 3.384538
 华东 19.891776
 华中 9.006820
 华北 10.390700
 华南 10.989828
 西北 5.365153
 西南 6.719487

可以根据这些进行聚类。

OK，b先讲到这里。

AB的思路讲解后续都还会更新哈。总体而言，本次mathorcup大数据竞赛不算简单，推荐大家选择A，我预计29日前更新完整论文哈，B的话看大家需求的情况再定做不做吧。

OK以上只是比较简略的图文版讲解，我目前正在写A题完整论文，后续会更新哈，视频版讲解以及后续完整成品查看和免费资料领取请点击下方我的个人卡片领取↓：