2024研究生华为杯数学建模大赛B题

问题1：分析参数影响并预测AP发送机会

解题步骤：

1. 数据预处理： 从附件中获取WLAN网络实测训练集的数据。
2. 特征选择： 分析网络拓扑、业务流量、门限、节点间RSSI等参数对AP发送机会的影响。
3. 模型训练： 使用机器学习算法（如随机森林、梯度提升树等）训练模型，预测AP的发送机会。
4. 模型验证： 使用测试集进行模型验证，并预测AP发送数据帧序列的总时长。

方法：

• 利用统计分析方法（如相关性分析、主成分分析）来确定影响性强弱的参数顺序。
• 应用机器学习模型进行预测，并使用交叉验证来优化模型参数。

问题2：建模预测（MCS, NSS）

解题步骤：

1. 特征分析： 分析节点间RSSI信息和门限信息对（MCS, NSS）选择的影响。
2. 模型建立： 建立预测模型，如逻辑回归、支持向量机或神经网络，预测AP发送数据时选用的（MCS, NSS）。
3. 模型评估： 使用测试集评估模型的预测能力。

方法：

• 利用决策树或基于规则的模型来确定（MCS, NSS）的选择。
• 应用回归分析来预测（MCS, NSS）的值。

问题3：系统吞吐量建模

解题步骤：

1. 综合分析： 结合问题1和问题2的分析结果，考虑AP发送机会和（MCS, NSS）对吞吐量的影响。
2. 吞吐量模型： 建立系统吞吐量预测模型，可能需要考虑多变量回归、时间序列分析或深度学习模型。
3. 模型优化： 优化模型以提高预测精度，可能需要调整模型结构或参数。
4. 预测与评估： 使用测试集进行预测，并评估模型的预测精度。

方法：

• 应用多变量回归分析来预测吞吐量。
• 使用时间序列分析方法（如ARIMA模型）来考虑时间因素对吞吐量的影响。
• 利用深度学习（如LSTM网络）来处理序列数据和非线性关系。

总结：

解决这些问题需要综合运用数据预处理、特征工程、机器学习、统计分析和模型评估等方法。通过建立数学模型和开发算法，可以有效地预测WLAN系统的吞吐量，为WLAN系统优化提供决策支持。此外，还需要考虑模型的泛化能力和实时性，以确保模型在实际部署中的有效性。