2023第二十届华为杯研究生数学建模竞赛E题思路解析及代码

最新推荐文章于 2023-09-24 18:26:55 发布

HeartOfDog

最新推荐文章于 2023-09-24 18:26:55 发布

阅读量1.4k

点赞数

文章标签：华为数学建模

本文链接：https://blog.csdn.net/HeartOfDog/article/details/133199629

版权

2023第二十届华为杯研究生数学建模竞赛E题

已更新E题包括成品论文等全部内容

---------------------------------------

选题建议及分析简述：

比赛开始后尽快更新~陪你们一起奋战！

A\B是华为专项：建议对自己实力有信心的同学去挑战。后续给出思路和对应代码等资料。

C题大规模创新类评审研究：大数据分析类题目，整体难度和思路适中，数学类专业同学应该很擅长。对于指标的定义是关键，可以参考文献或者用模糊评价、相关性分析和降维之类的。推荐最小二乘法、多项式拟合、线性回归、曲线拟合、插值法等。

D题双碳目标与路径规划研究：政策类题目，比较常见，各个专业都可以选。可以在往年研赛和美赛优秀论文里找参考。思路大致类似。

E题出血性脑卒中临床智能诊疗：大数据分析，各个专业都可以尝试。门槛低都可以选，参考网上的各种思路形成格式干净完整的论文就能混到奖，但是需要比较新奇的一些思路方式和优秀的可视化才能拿到比较高的奖项。

常见评价类算法：灰色评价之类的。数值型分析就是常规的归一化、去除异常值预处理然后选择比较擅长的算法；非数值型需要标签编码、独热码等方式量化后评价。可视化可以尝试做的新一些、仔细一些，抓住老师眼球好拿奖。

F题强对流降水临近预报：需要仔细看文献，自己也需要再找一些文献和资料，把物理过程转成建模过程，这一类有一些文字建模的往届优秀论文，大家可以先在群里资料找找。题目明示建议使用卷积神经网络和循环神经网络，对深度学习算法有了解的同学可以尝试。数据库则需要从常见的一些网站上、文献里找，找到的数据本身对论文质量影响就比较大，但是能形成完整论文基本就能拿三等了。相关的数据和思路我也会尽快找到并且放到下边的链接。

比赛思路更新地址：

！！！！！！！！！点击我！！！！！！！！！！

正在全速更新

———————————————

老粉可能知道，我是为爱发电，一般分享完思路偶尔会做对应的建模（一般都是帮助同门师兄妹情况下），杜绝各位被骗，由于个人工作问题，我尽可能在比赛期间更新思路，建议收藏或者关注。

注：2023.9.22 更新，有许多同学私信我说希望发一些论文模板等资料和进度分享，有时间的话会在里边上传一些资料、回答问题737.388.193，去掉符号，或点击此处

———————————————

E题

1 血肿扩张风险相关因素探索建模。

a) 请根据“表 1”（字段：入院首次影像检查流水号，发病到首次影像检查时间间隔），“表 2”（字段：各时间点流水号及对应的 HM_volume），判断患者 sub001 至 sub100 发病后 48 小时内是否发生血肿扩张事件。

结果填写规范：1 是 0 否，填写位置：“表 4”C 字段（是否发生血肿扩张）。如发生血肿扩张事件，请同时记录血肿扩张发生时间。结果填写规范：如 10.33 小时，填写位置：“表 4”D 字段（血肿扩张时间）。

 是否发生血肿扩张可根据血肿体积前后变化，具体定义为：后续检查比首次检查绝对体积增加≥6 mL 或相对体积增加≥33%。

注：可通过流水号至“附表 1-检索表格-流水号 vs 时间”中查询相应影像检查时间点，结合发病到首次影像时间间隔和后续影像检查时间间隔，判断当前影像检查是否在发病 48 小时内。

建议： 根据问题描述，需要根据“表 1”和“表 2”中的数据来判断患者 sub001 至 sub100 发病后 48 小时内是否发生血肿扩张事件。如果发生血肿扩张事件，还需要记录血肿扩张发生时间。判断是否发生血肿扩张的具体定义为：后续检查比首次检查绝对体积增加≥6 mL 或相对体积增加≥33%。可以通过流水号至“附表 1-检索表格-流水号 vs 时间”中查询相应影像检查时间点，结合发病到首次影像时间间隔和后续影像检查时间间隔，判断当前影像检查是否在发病 48 小时内。如果发生血肿扩张事件，需要在“表 4”中的 C 字段填写 1，否则填写 0。同时，在“表 4”中的 D 字段记录血肿扩张发生时间，格式为小时数，例如 10.33 小时。
        数据预处理：首先需要对提供的数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。同时，需要将数据按照时间顺序排序，以便后续的分析和建模。
        特征提取：根据问题要求，需要提取入院首次影像检查流水号、发病到首次影像检查时间间隔和各时间点流水号及对应的 HM_volume 等特征。还需要计算血肿体积前后的变化量，以便判断是否发生血肿扩张事件。
        建立模型：根据提取的特征，可以选择合适的模型进行建模。例如，可以使用逻辑回归、支持向量机、决策树等机器学习算法进行建模。在建模过程中，需要将数据集分为训练集和测试集，以便评估模型的性能和泛化能力。
        建立模型后，需要对模型进行评估，包括准确率、召回率、F1 值等指标。同时，还需要进行交叉验证和调参等操作，以提高模型的性能和泛化能力。根据问题要求，在“表 4”中的 C 字段填写是否发生血肿扩张事件的结果，如果发生血肿扩张事件，还需要在“表 4”中的D 字段记录血肿扩张发生时间。

已更新A题数据、B题参考论文、D和E题多种思路及代码请大家按需自取；E题基本更新完毕包括预处理数据、参考代码、做题思路等；往年优秀论文或美赛建模常用资料等，自取；