简介2025年Mathorcup妈妈杯B题完整参赛方案整合成品论文、Python/MATLAB双版本代码、结果数据与思路解析面向冲刺高奖项的建模团队也适合希望系统学习数模解题流程的参赛者和科研爱好者。压缩包共447个文件大小约659.62MB涵盖PDF/Word论文文档、Python代码py/ipynb、Excel结果表xlsx、CSV数据集、图片png/jpg等各类型分工明确论文文档可直接编辑提交代码模块化且附注释表格呈现完整实验对比与模型性能。目前已有437人学习下载资源热度与实用性得到初步验证。资源还附带PDF转Word工具便于快速调整格式配合详细思路解析能帮助参赛者大幅节省从零搭建环境与排版的时间将更多精力放在模型优化和论文打磨上。 2025年Mathorcup妈妈杯B题的热度比往年来得更早一些。还没到报名截止各大群、各种“全家桶”资源帖已经满天飞了标题一个比一个狠——“完整论文代码结果思路”“全套资源整合”“必过”。作为一个连续带过三年数模队伍、也帮人改过几十篇赛论文的老油条我劝你先别急着掏钱买那些动辄99、199的“全家桶”。真正决定你能不能拿奖的不是资料包里躺着多少份往届模板而是你对B题从审题到建模、从代码到论文这一整条链路有多少自己的理解。这篇不是卖资源的软文是帮你把2025年妈妈杯B题这类题目的关键套路拆干净告诉你每一步怎么走、为什么要这么走、以及那些“全套资源”里到底哪些有用哪些是坑。1. 2025年妈妈杯B题到底在考什么题目拆解第一课1.1 妈妈杯的前世今生为什么叫“妈妈杯”先讲个背景。MathorCup高校数学建模挑战赛因为名字里“Mathor”谐音“妈妈”所以大家习惯叫“妈妈杯”。它虽然不如国赛、美赛那么老牌但近几年的命题风格非常贴应用、贴数据尤其是B题往往会在题目里给出大量真实业务背景和数据文件。2025年的B题也不例外核心考察点不是“你会不会套模型”而是“你能不能从一堆杂乱信息里找到真正需要优化的目标并用一个说得通的模型把问题串起来”。很多第一次参赛的人容易犯一个错误拿到B题先翻建模常用模型库看到“预测”就上LSTM看到“评价”就上熵权法看到“分配”就上线性规划。这个思路不是全错但忽略了B题最要命的一点——题目描述里经常藏着两个以上相互矛盾的需求需要你先做权衡。比如“既要成本最小又要服务水平最高”这类典型双目标再比如数据文件里存在缺失值、异常值、单位不一致等实际问题。这些东西不会写进模型的“标准模板”里但评分细则中占比很高。1.2 B题的典型套路从问题描述到赛题领域的快速判断根据近几年B题的共同特征我总结了一个“30分钟快速定调”的判断流程先花10分钟通读所有文字不急着看数据再花10分钟把所有问题小问通常有4到6个小问的动词圈出来——“优化”“预测”“评价”“分类”“模拟”每一个动词对应一类核心算法框架最后10分钟检查给定数据的粒度小时级、天级、站点级、时间跨度、字段含义这决定了你要不要做时间序列聚合、空间网格化或者删减特征。用这个流程2025年这类B题通常会被定格成“数据分析优化决策”或者“预测调度”的组合结构。一旦定了调后面所有工作就有了主线数据清洗是为特征服务特征是为模型输入服务模型输出是为决策变量服务决策变量又要回到题目里的约束条件去验证。这条主线如果断了你的论文写得再漂亮也是空中楼阁。2. 从审题到建模B题思路构建的完整链路2.1 读题三遍之前先做这件事我见过太多队伍在第一晚就吵起来原因就是各自对题目的理解不一致。今年如果你想避开这个坑建议全队在写第一行代码之前先共同完成一张“问题拆解表”。表格不需要多复杂三列就够了第一列是小问编号第二列是题目原句中的需求关键词第三列是你们规定的可交付成果比如“一张全国分布图每个站点未来24小时的预测值”。这步的作用是把口语化的题目要求转译成可验收的技术指标。举个例子题目说“为管理者提供建议”你就得追问建议里包含几个方案是给出一个最优方案还是多个排序是静态给一组数值还是动态显示趋势这些追问的结果直接决定了你后续写代码时的函数接口长什么样。很多队伍代码写了一整天最后发现输出的结果回答不了题目里第二个小问不得不推倒重来——问题就出在没做需求转译。2.2 模型选择不是靠“看起来高级”现在市面上的数模资料包里动不动就堆十几个模型灰色预测、BP神经网络、XGBoost、蒙特卡洛模拟……但这恰恰是新手最爱踩的坑。模型不是越多越好而是每个模型对应一个明确的问题层级。以常见“预测优化”型B题为例正确的分层是底层数据层用统计分析给数据做体检包括缺失率、偏度、峰度、相关性这部分不需要任何机器学习模型三五行Pandas代码就能完成。中间模型层根据预测步长和数据量选择模型。样本量小几百条优先考虑灰色预测、指数平滑样本量大且特征丰富上万条、多个特征列再考虑LSTM、Transformer如果只是中期预测且特征组有限随机森林回归往往是性价比之王。上层决策层将预测结果作为参数放进线性规划或整数规划模型中求解。此时预测误差的分布特征比预测准确率更重要因为误差会通过约束条件被放大或缩小。这个逻辑背后的原因是B题评审关注的是“思路自洽”。你用了Transformer并不加分加分的是你能解释清楚“为什么要用Transformer、在数据量的条件下它比ARIMA好在哪、最终对决策结果带来了什么影响”。如果不做合理性论证模型堆得越高答辩时被问穿的机率就越大。2.3 数据预处理比赛里最拉分的隐形分水岭同样一份数据有人花30分钟就匆匆进模型有人却愿意花半天做EDA探索性数据分析。结果往往是后者在加分。我给你一个具体的预处理检查清单这是我自己带队这两年固定用的时间列归一化把时间字符串统一成 datetime 类型并设置成索引这是所有时序分析的第一步。别小看这个很多人加载完数据直接不处理后面画图时才发现横轴乱序。缺失值策略如果缺失率低于5%用前后均值填充或者线性插值都可以如果超过15%就得判断是缺失机制是随机还是周期性必要的话把“是否缺失”作为一个布尔特征加入模型往往有奇效。异常值标定用3σ准则或者IQR方法找出极端值但不要轻易删除。对于优化类问题异常值很可能对应着设备故障、突發事件反而重要你只需要在论文里说明它的影响并证明自己处理过。编码和单位类别型变量的编码方式one-hot 还是 label-encoding需要根据树模型还是神经网络来选择单位不一致的情况在B题数据里特别常见比如温度有的是摄氏度有的是华氏度风速有的是m/s有的是km/h这个不统一模型系数结果会非常可笑。把这些内容写进论文其实很简单但带来的收益很大。每年评审都会强调“数据处理得是否规范”因为它能反映一个队伍的基本功。论文里不用展示全部代码但要给出处理前后的统计对比表这样既体现工作量又体现专业性。3. 代码落地的实战路径从伪代码到可运行结果3.1 编程环境与依赖管理别在环境上浪费赛时现在网络上搜“Mathorcup B题代码”你能搜到一堆博客和代码仓库但打开之后最头疼的就是“缺依赖”。我曾经见过有队伍因为 TensorFlow 和 PyTorch 版本冲突整个第二天都在装环境最后不得已用纯 NumPy 重写预测模型——虽然最后结果也能用但浪费的时间扼腕。所以我强烈建议比赛第一天上午就统一环境。优先用 Anaconda 做虚拟环境管理Python 版本固定 3.9 或 3.10核心库只装 pandas、numpy、matplotlib、scikit-learn、statsmodels、scipy 这几个经典组合再加上一个深度框架PyTorch 或 TensorFlow二选一。不要同时装两套深度框架也不要临时去折腾 gonum 或 R 的什么冷门包。代码要能“点到即跑”这才是比赛节奏下的正确思路。这里给一个环境初始化命令示例conda create -n mathorcup2025 python3.10 -y conda activate mathorcup2025 pip install pandas numpy matplotlib scikit-learn statsmodels scipy pip install torch --index-url https://download.pytorch.org/whl/cpu我特意把 torch 的 CPU 版单独装是因为数模比赛的数据量通常不大CPU 训练完全够用而且能避开很多 CUDA 版本不匹配的坑。3.2 核心算法的可复现代码模板每个B题的核心算法不太一样但最近两年有个趋势——大部分题目都能拆成“数据加载 特征工程 模型训练 结果导出”四段式。我给你一个通用模板它不能直接套某一题但骨架是通用的关键位置我加了注释。import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 1. 读取数据注意编码和字段名清洗 df pd.read_csv(data/b_question.csv, encodinggbk) df.columns [col.strip() for col in df.columns] # 2. 时间索引化与特征构建 df[timestamp] pd.to_datetime(df[timestamp]) df df.set_index(timestamp).sort_index() # 加两个简单时序特征滞后值和滚动均值 df[target_lag1] df[target].shift(1) df[target_roll3] df[target].rolling(3).mean() # 3. 切分训练集注意不要打乱时序 use_cols [feature1, feature2, target_lag1, target_roll3] data_clean df.dropna() X data_clean[use_cols] y data_clean[target] X_train, X_test X.iloc[:-30], X.iloc[-30:] y_train, y_test y.iloc[:-30], y.iloc[-30:] # 4. 训练模型并验证 model RandomForestRegressor(n_estimators200, max_depth8, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, y_pred)) # 5. 导出预测结果到题目要求格式 result pd.DataFrame({time: X_test.index, pred: y_pred}) result.to_csv(output/predict_result.csv, indexFalse)这段代码我强调三个细节一是切分时序数据时千万不要用train_test_split默认的随机切分否则未来信息泄漏二是特征里加了滞后项后要先dropna()不然第一行是 NaN三是最后导出结果的列名要和题目要求完全一致做到“一个字不差”这是很多评审老师重点检查的地方。3.3 跑出图表之后结果可视化的几个加分细节很多队伍能跑出数据但画图特别丑那还不如不画。这里有几个可复用的经验所有图中文字体统一用宋体或微软雅黑数学符号用Times New Roman。注意在 matplotlib 里设置中文字体要加plt.rcParams[font.sans-serif] [SimHei]否则中文会变成方块。曲线图建议粗线条加透明度alpha0.7真实数据用散点预测数据用实线图例放在空白区域不要挡住数据。热力图展示相关性时一定要标出相关系数数值因为比赛评审更喜欢“一眼读懂”。图尺寸建议统一用plt.figure(figsize(10, 6))dpi 保存为 200 以上保证排版后依然清晰。可视化不是花架子它是帮你快速发现数据规律的工具。我在做题目的时候经常是在画完时间序列曲线后才意识到“某年某段趋势突变”从而想到要加一个分段模型。所以别把画图当最后一步而是要让它融进你的建模循环里。4. 论文写作与资源整合如何从“做出来”到“拿高分”4.1 摘要和问题重述评审最先看的60秒论文的结构很多人都在意但最容易被忽视的恰恰是最前面的部分。摘要需要遵循“一段式四句话”的黄金结构第一句说背景和问题第二句说自己用了什么方法第三句说核心结果和提高的指标值第四句说意义和适用范围。很多论文的摘要写得像目录罗列方法名但看不到结果数字这是大忌。比如你做了一个优化模型摘要里绝对不能只写“使用整数规划求解”一定要写出“系统总成本较初始方案降低 15.2%同时满足资源利用率大于 80% 的约束”。因为那些量化数字是评审快速抓住你贡献点的关键。问题重述也不要简单复制题目原文。正确做法是用自己的话压缩成三段问题背景、已知条件、需要求解的目标。最后补一句“本文对问题进行了以下四个方面的研究工作”当引导语这样自然引出后面的章节框架。4.2 图表编号、公式排版、附录代码的“隐形分”竞赛评阅时间有限老师不可能每篇论文都逐字精读。图表的编号和引用是否准确公式的编号是否连续直接决定阅读流畅度。这里提供一个经验标准所有表格要有三线表格式表题在表上方居中所有图题在图下方居中。所有公式用 Word 公式编辑器或 LaTeX 排版给出编号并在正文中用“式(1)”而不是“公式1”来引用。附录代码不要整段贴论文里太长了。只放核心代码片段并加注释完整代码以文件形式上传。排版就像人的脸内容再好脸脏了也会影响打分。我们当时注重这些细节之后肉眼可见地感觉论文阅读阻力变小了——所谓“帮助评审节省时间”就是隐形的加分。4.3 “全套资源”的鉴别与用法别被营销号割韭菜说到资源不得不正面回答标题里那个“全套资源多家资源整合必过”。我用亲身经验告诉你市面上那些打包资源主要有三种货色第一种是搬运整合包把往届优秀论文、模板、代码库、环境配置教程打包在一起。这类资源价格不过几十块里面很多论文都是公开的只是帮你节省了收集时间。可以用但不要贪多。第二种是“思路速通班”比赛开始当天就放出来“B题解析”“第一问代码”之类的视频或文档。这类资源时效性很强但质量问题严重。我见过不少所谓“速通”代码其实只跑了个最小示例根本没有处理完整数据。拿来参考思路可以直接抄必然翻车。第三种是“代做/保奖”服务这个坚决不能碰。既有学术不端风险也可能遇到骗局。而且就算侥幸拿了奖你能力上没有得到一点提升答辩或复赛现场一两句话就会露馅。正确使用资源的方式是在赛前积累自己的“方法库”。什么时候用到熵权法什么时候用多目标粒子群每个方法配套一个你亲自调试过的代码模板。比赛时先想问题需要什么再打开自己的方法库去匹配而不是先看别人的思路再硬套自己的问题。4.4 时间规划72小时如何分配给建模、代码、论文最后分享一个时间规划建议也是带队伍的压箱底经验。B题赛程一般是72小时我推荐“1:1:1”但又不完全平均的方案第一天上午完成审题和需求拆解建立问题拆解表。下午数据预处理跑通EDA分析得到初步统计图表。晚上确定第一问核心模型写出伪代码框架。第二天集中攻核心模型和代码同步开始写论文的“问题重述”和“模型假设”部分保证论文不是最后才开始动笔。晚上完成第一、二问的结果并画图。第三天主攻剩余问题补全模型缺陷写摘要、结论。晚上全文格式统一、正文引用交叉检查、附录代码打包上传。这个安排最大的优点是避免“前期全在建模、后期狂赶论文”的失衡状态。我见过太多队伍最后几小时才拼凑摘要结果写得非常仓促前功尽弃。另外说一个隐藏细节代码文件打包时要附上 README写明运行环境和执行顺序。这不只是给评审看也是给你们自己留档。比赛结束后你大概率还要拿着这段代码做复现没有说明的话三个月后你自己都跑不起来。关于“必过”这两个字我想多说一句。真正靠谱的“必过”指的不是走后门买一份答案而是你按这套流程把每个环节做到位最终提交的论文本身就是一份“完整、自洽、可复现”的作品。比赛最大的奖励其实是逼着你在三天内经历一轮完整的“数据-模型-决策-表达”闭环这个能力放到任何岗位上都实用。我每年都能看到有人靠着拾人牙慧拿到一点分数但真正复赛晋级、拿好奖的基本还是那些啃过数据、调过模型、画过图的人。希望这篇拆解能帮你少走点弯路在2025年的妈妈杯B题里交出一份有底气说“这是我做的”的答案。本文还有配套的精品资源点击获取
简介2025年Mathorcup妈妈杯B题完整参赛方案整合成品论文、Python/MATLAB双版本代码、结果数据与思路解析面向冲刺高奖项的建模团队也适合希望系统学习数模解题流程的参赛者和科研爱好者。压缩包共447个文件大小约659.62MB涵盖PDF/Word论文文档、Python代码py/ipynb、Excel结果表xlsx、CSV数据集、图片png/jpg等各类型分工明确论文文档可直接编辑提交代码模块化且附注释表格呈现完整实验对比与模型性能。目前已有437人学习下载资源热度与实用性得到初步验证。资源还附带PDF转Word工具便于快速调整格式配合详细思路解析能帮助参赛者大幅节省从零搭建环境与排版的时间将更多精力放在模型优化和论文打磨上。 2025年Mathorcup妈妈杯B题的热度比往年来得更早一些。还没到报名截止各大群、各种“全家桶”资源帖已经满天飞了标题一个比一个狠——“完整论文代码结果思路”“全套资源整合”“必过”。作为一个连续带过三年数模队伍、也帮人改过几十篇赛论文的老油条我劝你先别急着掏钱买那些动辄99、199的“全家桶”。真正决定你能不能拿奖的不是资料包里躺着多少份往届模板而是你对B题从审题到建模、从代码到论文这一整条链路有多少自己的理解。这篇不是卖资源的软文是帮你把2025年妈妈杯B题这类题目的关键套路拆干净告诉你每一步怎么走、为什么要这么走、以及那些“全套资源”里到底哪些有用哪些是坑。1. 2025年妈妈杯B题到底在考什么题目拆解第一课1.1 妈妈杯的前世今生为什么叫“妈妈杯”先讲个背景。MathorCup高校数学建模挑战赛因为名字里“Mathor”谐音“妈妈”所以大家习惯叫“妈妈杯”。它虽然不如国赛、美赛那么老牌但近几年的命题风格非常贴应用、贴数据尤其是B题往往会在题目里给出大量真实业务背景和数据文件。2025年的B题也不例外核心考察点不是“你会不会套模型”而是“你能不能从一堆杂乱信息里找到真正需要优化的目标并用一个说得通的模型把问题串起来”。很多第一次参赛的人容易犯一个错误拿到B题先翻建模常用模型库看到“预测”就上LSTM看到“评价”就上熵权法看到“分配”就上线性规划。这个思路不是全错但忽略了B题最要命的一点——题目描述里经常藏着两个以上相互矛盾的需求需要你先做权衡。比如“既要成本最小又要服务水平最高”这类典型双目标再比如数据文件里存在缺失值、异常值、单位不一致等实际问题。这些东西不会写进模型的“标准模板”里但评分细则中占比很高。1.2 B题的典型套路从问题描述到赛题领域的快速判断根据近几年B题的共同特征我总结了一个“30分钟快速定调”的判断流程先花10分钟通读所有文字不急着看数据再花10分钟把所有问题小问通常有4到6个小问的动词圈出来——“优化”“预测”“评价”“分类”“模拟”每一个动词对应一类核心算法框架最后10分钟检查给定数据的粒度小时级、天级、站点级、时间跨度、字段含义这决定了你要不要做时间序列聚合、空间网格化或者删减特征。用这个流程2025年这类B题通常会被定格成“数据分析优化决策”或者“预测调度”的组合结构。一旦定了调后面所有工作就有了主线数据清洗是为特征服务特征是为模型输入服务模型输出是为决策变量服务决策变量又要回到题目里的约束条件去验证。这条主线如果断了你的论文写得再漂亮也是空中楼阁。2. 从审题到建模B题思路构建的完整链路2.1 读题三遍之前先做这件事我见过太多队伍在第一晚就吵起来原因就是各自对题目的理解不一致。今年如果你想避开这个坑建议全队在写第一行代码之前先共同完成一张“问题拆解表”。表格不需要多复杂三列就够了第一列是小问编号第二列是题目原句中的需求关键词第三列是你们规定的可交付成果比如“一张全国分布图每个站点未来24小时的预测值”。这步的作用是把口语化的题目要求转译成可验收的技术指标。举个例子题目说“为管理者提供建议”你就得追问建议里包含几个方案是给出一个最优方案还是多个排序是静态给一组数值还是动态显示趋势这些追问的结果直接决定了你后续写代码时的函数接口长什么样。很多队伍代码写了一整天最后发现输出的结果回答不了题目里第二个小问不得不推倒重来——问题就出在没做需求转译。2.2 模型选择不是靠“看起来高级”现在市面上的数模资料包里动不动就堆十几个模型灰色预测、BP神经网络、XGBoost、蒙特卡洛模拟……但这恰恰是新手最爱踩的坑。模型不是越多越好而是每个模型对应一个明确的问题层级。以常见“预测优化”型B题为例正确的分层是底层数据层用统计分析给数据做体检包括缺失率、偏度、峰度、相关性这部分不需要任何机器学习模型三五行Pandas代码就能完成。中间模型层根据预测步长和数据量选择模型。样本量小几百条优先考虑灰色预测、指数平滑样本量大且特征丰富上万条、多个特征列再考虑LSTM、Transformer如果只是中期预测且特征组有限随机森林回归往往是性价比之王。上层决策层将预测结果作为参数放进线性规划或整数规划模型中求解。此时预测误差的分布特征比预测准确率更重要因为误差会通过约束条件被放大或缩小。这个逻辑背后的原因是B题评审关注的是“思路自洽”。你用了Transformer并不加分加分的是你能解释清楚“为什么要用Transformer、在数据量的条件下它比ARIMA好在哪、最终对决策结果带来了什么影响”。如果不做合理性论证模型堆得越高答辩时被问穿的机率就越大。2.3 数据预处理比赛里最拉分的隐形分水岭同样一份数据有人花30分钟就匆匆进模型有人却愿意花半天做EDA探索性数据分析。结果往往是后者在加分。我给你一个具体的预处理检查清单这是我自己带队这两年固定用的时间列归一化把时间字符串统一成 datetime 类型并设置成索引这是所有时序分析的第一步。别小看这个很多人加载完数据直接不处理后面画图时才发现横轴乱序。缺失值策略如果缺失率低于5%用前后均值填充或者线性插值都可以如果超过15%就得判断是缺失机制是随机还是周期性必要的话把“是否缺失”作为一个布尔特征加入模型往往有奇效。异常值标定用3σ准则或者IQR方法找出极端值但不要轻易删除。对于优化类问题异常值很可能对应着设备故障、突發事件反而重要你只需要在论文里说明它的影响并证明自己处理过。编码和单位类别型变量的编码方式one-hot 还是 label-encoding需要根据树模型还是神经网络来选择单位不一致的情况在B题数据里特别常见比如温度有的是摄氏度有的是华氏度风速有的是m/s有的是km/h这个不统一模型系数结果会非常可笑。把这些内容写进论文其实很简单但带来的收益很大。每年评审都会强调“数据处理得是否规范”因为它能反映一个队伍的基本功。论文里不用展示全部代码但要给出处理前后的统计对比表这样既体现工作量又体现专业性。3. 代码落地的实战路径从伪代码到可运行结果3.1 编程环境与依赖管理别在环境上浪费赛时现在网络上搜“Mathorcup B题代码”你能搜到一堆博客和代码仓库但打开之后最头疼的就是“缺依赖”。我曾经见过有队伍因为 TensorFlow 和 PyTorch 版本冲突整个第二天都在装环境最后不得已用纯 NumPy 重写预测模型——虽然最后结果也能用但浪费的时间扼腕。所以我强烈建议比赛第一天上午就统一环境。优先用 Anaconda 做虚拟环境管理Python 版本固定 3.9 或 3.10核心库只装 pandas、numpy、matplotlib、scikit-learn、statsmodels、scipy 这几个经典组合再加上一个深度框架PyTorch 或 TensorFlow二选一。不要同时装两套深度框架也不要临时去折腾 gonum 或 R 的什么冷门包。代码要能“点到即跑”这才是比赛节奏下的正确思路。这里给一个环境初始化命令示例conda create -n mathorcup2025 python3.10 -y conda activate mathorcup2025 pip install pandas numpy matplotlib scikit-learn statsmodels scipy pip install torch --index-url https://download.pytorch.org/whl/cpu我特意把 torch 的 CPU 版单独装是因为数模比赛的数据量通常不大CPU 训练完全够用而且能避开很多 CUDA 版本不匹配的坑。3.2 核心算法的可复现代码模板每个B题的核心算法不太一样但最近两年有个趋势——大部分题目都能拆成“数据加载 特征工程 模型训练 结果导出”四段式。我给你一个通用模板它不能直接套某一题但骨架是通用的关键位置我加了注释。import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 1. 读取数据注意编码和字段名清洗 df pd.read_csv(data/b_question.csv, encodinggbk) df.columns [col.strip() for col in df.columns] # 2. 时间索引化与特征构建 df[timestamp] pd.to_datetime(df[timestamp]) df df.set_index(timestamp).sort_index() # 加两个简单时序特征滞后值和滚动均值 df[target_lag1] df[target].shift(1) df[target_roll3] df[target].rolling(3).mean() # 3. 切分训练集注意不要打乱时序 use_cols [feature1, feature2, target_lag1, target_roll3] data_clean df.dropna() X data_clean[use_cols] y data_clean[target] X_train, X_test X.iloc[:-30], X.iloc[-30:] y_train, y_test y.iloc[:-30], y.iloc[-30:] # 4. 训练模型并验证 model RandomForestRegressor(n_estimators200, max_depth8, random_state42) model.fit(X_train, y_train) y_pred model.predict(X_test) print(MAE:, mean_absolute_error(y_test, y_pred)) # 5. 导出预测结果到题目要求格式 result pd.DataFrame({time: X_test.index, pred: y_pred}) result.to_csv(output/predict_result.csv, indexFalse)这段代码我强调三个细节一是切分时序数据时千万不要用train_test_split默认的随机切分否则未来信息泄漏二是特征里加了滞后项后要先dropna()不然第一行是 NaN三是最后导出结果的列名要和题目要求完全一致做到“一个字不差”这是很多评审老师重点检查的地方。3.3 跑出图表之后结果可视化的几个加分细节很多队伍能跑出数据但画图特别丑那还不如不画。这里有几个可复用的经验所有图中文字体统一用宋体或微软雅黑数学符号用Times New Roman。注意在 matplotlib 里设置中文字体要加plt.rcParams[font.sans-serif] [SimHei]否则中文会变成方块。曲线图建议粗线条加透明度alpha0.7真实数据用散点预测数据用实线图例放在空白区域不要挡住数据。热力图展示相关性时一定要标出相关系数数值因为比赛评审更喜欢“一眼读懂”。图尺寸建议统一用plt.figure(figsize(10, 6))dpi 保存为 200 以上保证排版后依然清晰。可视化不是花架子它是帮你快速发现数据规律的工具。我在做题目的时候经常是在画完时间序列曲线后才意识到“某年某段趋势突变”从而想到要加一个分段模型。所以别把画图当最后一步而是要让它融进你的建模循环里。4. 论文写作与资源整合如何从“做出来”到“拿高分”4.1 摘要和问题重述评审最先看的60秒论文的结构很多人都在意但最容易被忽视的恰恰是最前面的部分。摘要需要遵循“一段式四句话”的黄金结构第一句说背景和问题第二句说自己用了什么方法第三句说核心结果和提高的指标值第四句说意义和适用范围。很多论文的摘要写得像目录罗列方法名但看不到结果数字这是大忌。比如你做了一个优化模型摘要里绝对不能只写“使用整数规划求解”一定要写出“系统总成本较初始方案降低 15.2%同时满足资源利用率大于 80% 的约束”。因为那些量化数字是评审快速抓住你贡献点的关键。问题重述也不要简单复制题目原文。正确做法是用自己的话压缩成三段问题背景、已知条件、需要求解的目标。最后补一句“本文对问题进行了以下四个方面的研究工作”当引导语这样自然引出后面的章节框架。4.2 图表编号、公式排版、附录代码的“隐形分”竞赛评阅时间有限老师不可能每篇论文都逐字精读。图表的编号和引用是否准确公式的编号是否连续直接决定阅读流畅度。这里提供一个经验标准所有表格要有三线表格式表题在表上方居中所有图题在图下方居中。所有公式用 Word 公式编辑器或 LaTeX 排版给出编号并在正文中用“式(1)”而不是“公式1”来引用。附录代码不要整段贴论文里太长了。只放核心代码片段并加注释完整代码以文件形式上传。排版就像人的脸内容再好脸脏了也会影响打分。我们当时注重这些细节之后肉眼可见地感觉论文阅读阻力变小了——所谓“帮助评审节省时间”就是隐形的加分。4.3 “全套资源”的鉴别与用法别被营销号割韭菜说到资源不得不正面回答标题里那个“全套资源多家资源整合必过”。我用亲身经验告诉你市面上那些打包资源主要有三种货色第一种是搬运整合包把往届优秀论文、模板、代码库、环境配置教程打包在一起。这类资源价格不过几十块里面很多论文都是公开的只是帮你节省了收集时间。可以用但不要贪多。第二种是“思路速通班”比赛开始当天就放出来“B题解析”“第一问代码”之类的视频或文档。这类资源时效性很强但质量问题严重。我见过不少所谓“速通”代码其实只跑了个最小示例根本没有处理完整数据。拿来参考思路可以直接抄必然翻车。第三种是“代做/保奖”服务这个坚决不能碰。既有学术不端风险也可能遇到骗局。而且就算侥幸拿了奖你能力上没有得到一点提升答辩或复赛现场一两句话就会露馅。正确使用资源的方式是在赛前积累自己的“方法库”。什么时候用到熵权法什么时候用多目标粒子群每个方法配套一个你亲自调试过的代码模板。比赛时先想问题需要什么再打开自己的方法库去匹配而不是先看别人的思路再硬套自己的问题。4.4 时间规划72小时如何分配给建模、代码、论文最后分享一个时间规划建议也是带队伍的压箱底经验。B题赛程一般是72小时我推荐“1:1:1”但又不完全平均的方案第一天上午完成审题和需求拆解建立问题拆解表。下午数据预处理跑通EDA分析得到初步统计图表。晚上确定第一问核心模型写出伪代码框架。第二天集中攻核心模型和代码同步开始写论文的“问题重述”和“模型假设”部分保证论文不是最后才开始动笔。晚上完成第一、二问的结果并画图。第三天主攻剩余问题补全模型缺陷写摘要、结论。晚上全文格式统一、正文引用交叉检查、附录代码打包上传。这个安排最大的优点是避免“前期全在建模、后期狂赶论文”的失衡状态。我见过太多队伍最后几小时才拼凑摘要结果写得非常仓促前功尽弃。另外说一个隐藏细节代码文件打包时要附上 README写明运行环境和执行顺序。这不只是给评审看也是给你们自己留档。比赛结束后你大概率还要拿着这段代码做复现没有说明的话三个月后你自己都跑不起来。关于“必过”这两个字我想多说一句。真正靠谱的“必过”指的不是走后门买一份答案而是你按这套流程把每个环节做到位最终提交的论文本身就是一份“完整、自洽、可复现”的作品。比赛最大的奖励其实是逼着你在三天内经历一轮完整的“数据-模型-决策-表达”闭环这个能力放到任何岗位上都实用。我每年都能看到有人靠着拾人牙慧拿到一点分数但真正复赛晋级、拿好奖的基本还是那些啃过数据、调过模型、画过图的人。希望这篇拆解能帮你少走点弯路在2025年的妈妈杯B题里交出一份有底气说“这是我做的”的答案。本文还有配套的精品资源点击获取
