2024年未来杯-高校大数据挑战赛 赛题浅析-快速选题

赛题难度预估: A题:B题=5:3

 选题人数预估: A题:B题=1:4

赛题A：岩石的自动鉴定

该题主要涉及图像分类任务，核心是基于显微图像数据集对岩石进行分类。题目分为三个部分：  

1.建立沉积岩分类模型（基于颜色、纹理、亮度等特征）。

2.扩展到变质岩、沉积岩、火成岩分类，并优化模型（结合深度学习）。

3.使用改进后的模型对新数据进行测试，并进行细分类识别。

问题一分析：沉积岩分类模型

-数据：使用南京大学沉积岩教学薄片照片数据集，类别包括火山碎屑岩、砂岩、泥页岩、粉砂岩、灰岩、白云岩、硅质岩、蒸发岩等。

-特征选择：

  -颜色特征：HSV、RGB 直方图，颜色聚类等

  -纹理特征：GLCM（灰度共生矩阵）、LBP（局部二值模式）

  -亮度特征：统计图像亮度分布

-模型选择：

  - 传统方法：SVM、KNN、随机森林

  - 深度学习：CNN（ResNet、EfficientNet等）

-优化方向：

  - 数据增强（旋转、缩放、对比度增强等）

  - 迁移学习（如ResNet等预训练模型）

问题二分析：扩展到三大岩石分类

-数据：完整数据集，包含变质岩、沉积岩、火成岩。

-方法：

  -直接迁移问题一模型，测试泛化能力。

  -引入深度学习：

    - CNN 进行特征提取，如 ResNet、DenseNet

    - 结合传统特征（颜色、纹理）+ 深度学习特征

  -可能的融合策略：

    - 提取颜色、纹理等特征作为附加输入，与CNN的特征融合（多模态学习）

问题三分析：应用模型进行新数据测试

-步骤：

  1. 先用训练好的模型筛选“沉积岩”类别。

  2. 进一步分类（砂岩、泥页岩等）。

  3. 输出每类岩石数量，填写结果表格。

赛题B：新能源电动汽车的故障预警研究

该题涉及时序数据分析、故障诊断与预测建模，主要挑战是从历史行驶数据中提取有用信息，并建立有效的预测模型。

问题一分析：数据预处理与统计

-数据内容：

  - 车辆数据（车速、总电压、累计里程等）

  - 电机数据（电机温度、转矩、转速等）

  - 电池数据（单体电压、温度等）

-预处理方法：

  - 缺失值处理（插值、填充等）

  - 异常值检测（箱型图、Z-score、IQR）

-分析方向：

  - 统计 1-9 月故障报警次数（绘制趋势图）

  - 充电和用车规律（基于 SOC、电池温度等数据分析）

问题二分析：寻找故障的关键影响因素

-方法：

  - 相关性分析（皮尔逊相关、互信息）

  - 特征选择（随机森林、LASSO回归）

  - 关联规则挖掘（Apriori 算法）

  - 聚类（K-means，HDBSCAN）分析数据模式

问题三分析：故障预警模型

-建模方法：

  - 传统机器学习（决策树、随机森林、XGBoost）

  - 深度学习（LSTM、GRU 处理时间序列数据）

-模型评估：

  - 交叉验证（K-fold）

  - 评估指标（准确率、召回率、F1分数等）

问题四分析：第10个月的故障预测

-步骤：

  1. 用1-9月数据训练故障预测模型。

  2. 预测第10月的故障时刻和等级。

  3. 输出符合要求的预测结果（填入month_10.csv）。

问题五分析：优化建议

-充电建议：

  - 避免过充、过放，优化SOC区间

-用车建议：

  - 控制行驶速度，减少大电流放电

-维护建议：

  - 关注温度变化、提前检测异常情况