本笔记用作个人学习和查漏补缺使用，欢迎借鉴学习，提出建议，转载需标注出处www.jjyaoao.space

论文概述

论文重要性

image-20220210101540500

参赛作品组成

image-20220210101631221

image-20220210101743756

行距可以1.5cm 1cm 看你论文的内容，控制在19-21页内

题目写作规范

image-20220210102342119

image-20220210102658917

尽量选第一二种

关键词写作规范

image-20220210103012836

一般主要模型+研究对象，不超过六个

摘要

摘要的重要性

image-20220209145139801

写作的要求

image-20220209145622259

第一部分

每一个小点一般不超过两句，一句就可以了，写主要的模型，主要的结论

也可以不用写模型，放在下面介绍

第二部分

问题总结：一句话

建模和求解：建立了一个什么模型，怎么来求解的

主要结果或结论：能用数据就用数据

第三部分

如果有信，同时我们也针对什么情况，写了一封信，发送给xxx

image-20220209150354131

摘要写作规范

image-20220210103818864

image-20220210103840535

摘要前言

image-20220210104625486

摘要正文

image-20220210104800909

简述问题

image-20220210104855996

建模思路

image-20220210105427032

模型求解

image-20220210105727777

如果方法很low，那么就写算法就行了

结果分析

image-20220210110141999

image-20220210110316622

放关键性结论，不要放不需要建模都能得到的结论

image-20220210110341937

摘要结尾

有特点才放特点，没有啥突出的优点，就采用最下面那种就可以了

image-20220210110626022

摘要鉴赏

image-20220210110950718

image-20220209151155797

通过灵敏度分析即可以说是可靠，不过这篇文章也没有太按照规范来

注意事项

image-20220209151620292

正文撰写部分

image-20220210115349939

问题重述

image-20220210112048040

image-20220210112612102

image-20220210112946977

评委老师基本不看，我们要做的就是躲过查重，看起来不那么少，不那么多

蓝色为拓展表现，红色为自己新增

问题分析

image-20220210113938372

image-20220210114106881

摘要与问题分析的区别

问题分析仅仅描述一个大体的思路，可以用流程图之类的来体现

而摘要需要写清楚用的算法啊，建立的模型啊，结论啊啥子的

image-20220210114331262

image-20220210114724228

模型假设

image-20220210184003334

假设到底是什么

image-20220209151731090

假设的几种情况

保真性：假设题目给定的数据是真实的

平稳性规定：假设这个参数在未来多少年里不发生变化

常识性假设：不考虑闯红灯的情况啥的，小区，假设正方形啊这些

对相关参数做出规定：一般这种就要灵敏度分析

image-20220210184634669

image-20220210184843897

注意事项

尽量五条左右

image-20220209152232770

符号说明

10-15个

image-20220210191624457

image-20220210191656789

模型建立和求解

为什么要采用这个模型，而不采用别的模型，说出原因。

image-20220210192140782

也可以采用流程图

image-20220210192355232

image-20220210192529791

建模形式

预处理

四种方式

异常值检测：小波分析，微分，数据展开

空缺值补全：插值

无量纲化处理：归一化，标准化

数据的降维：主成分分析，方差，均值，spss

形式1

image-20220210193308878

image-20220210193853325

形式2

不建议小白做

image-20220210194643015

形式3

image-20220210194923802

评价类

线性加权适用于各个指标完全独立，非线性适用于有一定重合

image-20220210200558120

预测类

中短期，相对误差，保障0.05内（一级误差，二级误差）

长期，或者数据残缺，保障0.1内（三级误差）

image-20220210200815614

优化类

image-20220210201112542

image-20220210201415963

改进模型

image-20220211115811121

建议用伪代码/流程图

描述一种任何语言都能实现

熵权法确定指标权重，再层次分析：主客观均

灰色预测预测未来的结果，将未来的结果带入到神经网络作为输入数据

我将真实结果作为输出数据，进而预测精度更高

遗传算法使得初值阈值给的准确，再带入进神经网络

小波变换将神经网络隐含层变换成小波的基函数image-20220211120454953

设计模型

image-20220211120617664

模型求解

image-20220211120716650

误差检验

直接写在求解前后

T，F检验，层次分析一致性检验，灰色模型的级比检验

image-20220211123250543

案例

写在文末的通常是对目标来源进行误差分析（数据，方法）image-20220211123655508

image-20220211123716679

image-20220211123814972

模型检验

image-20220211120844374

稳定性检验：适合于模型中单独的参数（b） （看变化）

灵敏度分析：适用于模型中作用于变量上的参数（a） （看趋势）

但凡和时间有关系的参数，时间一定是横坐标（x），纵坐标为因变量，独立的量，则依次取不同的数值，得到不同的曲线，放在一张图

如果与时间没有任何关系，那么就做那个变化的值为X，然后y为因变量

image-20220211122258932

image-20220211122246262

稳定与敏感分析

如果参数变化很大，那么我们就说，这个模型再运用时最好就用我们这个参数

如果参数变化不大，我们就说具有较好的稳定性，可以适用于各种情况的使用

image-20220211121237508

image-20220211121525698

灵敏度分析

灵敏度分析的成功需要分析者具有较好的判断力，通常我们不需要对模型中的每个参数都进行灵敏度分析，只需要选择那些有较大不确定性的参数进行灵敏度分析即可

什么是灵敏度分析

image-20220209152824234

均与采样回归拟合法

先用回归拟合得到一个方程（尽量非线性）

然后常量不断取值，得到曲线，叠加起来

常见需要分析的参数

image-20220209154500193

流程
思路

image-20220209154816956

案例

image-20220209155024402

image-20220209155153147

image-20220209155352530

没有发生很大的波动就可以了

如果模型灵敏度很差，那就不做灵敏度就可以了23333

注意事项

image-20220209154940580

新旧模型对比

如果新模型计算出来的精度不错高于老模型：就说结果比较准确，改进有效

改进模型进行简化，效果和原先差不多：就说复杂度更低了

运行效率：优化后的模型缩短了时间，提高了效率

推广性：可以用于那些领域

优缺点评价

可以说模型本身的优点缺点，也可以结合题意说说

优点：不要说率先，首次，精度异常的好之内的很狂的

缺点：不要说太明显的

image-20220211124140641

案例

image-20220211124330313

参考文献

作者大于三个就只写三个

image-20220211124516642

image-20220211124619910

image-20220211124717467

案例

image-20220211124851256