占个位置吧，赛题已经发布，比赛期间将会免费给大家提供赛题的思路分析，全文比较长，都是干货内容
![]()
A题：序列图像特征提取及模具熔融结晶建模分析
A题是一个模具结晶的建模分析问题，我们首先对给出的图像进行特征提取，来构建我们的温度时间曲线图；先对图像进行一个边缘检测，再进行轮廓跟踪和图搜索，并基于变换直方图选取阈值，最后考虑通过聚类分析来得到我们的表格数据，构建温度时间曲线图；代尔文我们还要对量化的不同特性进行时间序列建模，需要用到ARIMA来进行相应的预测，构建时间序列模型；第三问中要构建温度、熔化速率和结晶速率的关系，通过Avrima方程来构建一个结晶动力学模型，A题需要用到一定的专业知识，建议有一定建模基础的同学选择该题目。
![]()
B题：高速列车的优化设计
B题稍微看了一下，有一定的难度，需要用到大量的物理公式，首先需要构建一个空气阻力学模型，根据能量守恒定理，我们的控制方程可以写为：
![]()
再引入气体的状态方程：p=ρRT（R为气体常熟，ρ为气体温度）
有点难度，后面更新一下！
![]()
C题：
C题就是数学比较开放的题目了，属于一个数据分析类题目，跟前两年的华为杯差不多，考察的也是全球变暖问题。
问题1.你同意有关全球气温的说法吗？使用2022_APMCM_C_Data。附件中的csv和其他您的团队收集的数据集，以分析全球温度变化。
a)你同意2022年3月全球气温的上升导致了比过去10年期间更大的上升吗？为什么或为什么不呢？
b)根据历史数据，请建立两个或两个以上的数学模型来描述过去，并预测未来的
全球温度水平。
c)使用1个(b)中的每个模型来分别预测2050年和2100年的全球气温。你们的模型是否同意2050年或2100年全球观测点的平均温度将达到20.00°C的预测？如果不是在2050年或2100年，那么您的预测模型中的观测点的平均温度何时会达到20.00°C？
d)你认为1(b)的模型最准确？为什么
然后第一问主要是一个数据的预处理和预测类问题，首先是数据的预处理，对于给出的温度数据均经过严格的质量控制和均一性检验，对个别缺失数据采用相邻站点线性回归方法进行插补，保证经过处理修正后的气象数据具有很好的连续性，然后可以基RClimDex软件对数据异常值与错误值进行过滤筛选（也可以直接筛除），以满足分析要求。
![]()
均一性检验
根据给出的数据，我们进行一个数据可视化处理，这里着重讲一下，亚太杯、包括美赛其实是很看重你的数据可视化能力的，图画的好不好，最终能够很大程度影响到你的成绩，这里推荐大家使用可视化工具tableau，比较简单好用，或者用python也可以，主要问题a就是通过对比来进行一个分析。
![]()
温度折线图
然后b是一个预测问题的话，推荐使用ARMA，比较适用，其他的像线性回归、灰色预测等等也可以用到。也可以使用LSTM模型来分析，这里我们用LSTM来求解一下，流程图如下：
![]()
![]()
LSTM 的气候变化时空数据关键信息提取及趋势分析模型求解过程如下：
Step1：原始数据输入
输入给出的各个国家温度时间数据图
Step2：数据集化
将原始数据进行输入时空数据集化作为程序自变量的输入：
T[ ( u , v )
后续更新关注我！
给出部分LSTM代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import torch
from torch import nn
from torch. aut ograd import Variable
#LSTM（长短期记忆网络）
data_csv = pd.read_csv
#pandas.read_csv读取时空序列数据
plt.plot(dat a_csv)
plt.show()
#数据预处理
data_ csv = dat a csv. dropna()
dat aset = dat_csv. values
dataset = dat aset.astype ('float32')
max_value = np. max (dataset)
min value = np. min(dat aset)
scalar = max_value-min_value
dataset = list （map（
lambda x∶ x/scalar，dataset））#将数据标准化到0~1之间
def create_dataset（
dataset，look_back=2）∶#look back 以前的时间步数用作输入变量来预测下—个时间段
datak,dat aY=[ ],[ ]
for i in range(len(dat aset)- look_back):
a = dataset [i∶（
i+look_back] #i和i+1赋值
dat alX. append(a)
dataY.append（
dataset [i+look back]） #i+2赋值
return np.array（
dataX），np.array（
datal） #np.array构建数组
data X,data_Y = create_dataset (dataset)
#data_Y: 1*142 data X: 2*142
#划分训练集和测试集，70%作为训练集
train_size = int (len(data_X)* 0.7)
test_size = len(data_X)-train_size
train_X = data_X[:train_size]
train_Y = data_Y[:train_size]
rrain_X =data_X[train_size:]
train_Y = data_Y[train_size:]
train_X = train_X.reshape(-1,1,2)
#reshape中，-1使元素变为一行，然后输出为1列，每列2个子元素
train_Y=train_Y.reshape(-1,1,1)#输出为1列，每列1个子元素
Train_X=test_X.reshape(-1,1,2) |
转播
