简介这份资源是2025年深圳杯数学建模竞赛D题的完整分析论文面向参赛选手、数学建模学习者及需要赛题复盘的研究者帮助系统理解D题从问题重述到模型求解的全过程。压缩包内共1个PDF文件约2.71MB内容涵盖摘要、问题重述、问题分析、模型假设、符号定义以及问题一至问题三的模型建立与求解涉及特征工程设计、分类模型结构与数学表达、模型性能对比、贡献者兼容性筛选、混合比例优化估计和组合匹配评分函数等关键模块。论文按步骤展开配有可运行代码与相关数据便于读者对照复现建模流程、理解评估指标定义与重要特征分析。目前已有330人学习适合希望掌握竞赛论文写作框架、借鉴特征工程与分类建模思路的读者参考也可作为数学建模实践中的案例材料。1. 深圳杯D题到底在考什么从一份“完整分析论文”拆出可复现的建模链路深圳杯数学建模竞赛的D题历年都是那种“看起来像数据分析、做起来像信号处理、最后发现是机器学习调参”的复合题型。2025年这道题也不例外。很多队伍拿到题目第一反应是套一个回归模型交差结果在评审环节被一句“数据预处理依据是什么”问穿。真正拉开差距的不是模型多花哨而是你有没有把小波阈值去噪、GBDT、STR趋势分解这条链路讲清楚并且每一步都能跑出可复现的结果。这篇笔记不讲空话我按自己带队的实际流程把一份“完整分析论文”该有的模型、代码、数据组织方式拆开讲。适合正在准备数学建模竞赛、或者想用机器学习方法处理时序信号的从业者。读完你能拿到一条从原始数据到论文图表的完整路径而不是一堆散落的算法名词。2. 数据预处理小波阈值去噪为什么是D题的第一道分水岭2.1 小波阈值去噪的选型理由与参数含义D题的数据通常带有明显的测量噪声尤其是传感器采集的时序信号。直接拿原始数据喂给GBDT模型会把噪声当成特征学进去导致验证集表现虚高、测试集崩盘。常见做法是先做小波阈值去噪把高频噪声压掉保留趋势和突变点。小波去噪的核心参数只有三个小波基函数、分解层数、阈值规则。小波基决定波形匹配程度D题这类信号我一般选db4或sym8因为它们在工程信号里对突变点的定位比较稳。分解层数不是越多越好层数过高会把有效信号也当成噪声滤掉通常取3到5层具体看采样率和信号长度。阈值规则常用rigrsure或sqtwolog前者更保守后者去噪更狠。下面是我在D题数据上实际用的一段Python代码依赖PyWavelets和numpyimport numpy as np import pywt def wavelet_denoise(signal, waveletdb4, level4, threshold_modesoft): signal: 一维原始信号 wavelet: 小波基D题常用db4/sym8 level: 分解层数建议3-5 threshold_mode: soft或hard软阈值更平滑 # 小波分解 coeffs pywt.wavedec(signal, wavelet, levellevel) # 用第一层细节系数估计噪声标准差 sigma np.median(np.abs(coeffs[-1])) / 0.6745 # 通用阈值 uthresh sigma * np.sqrt(2 * np.log(len(signal))) # 对细节系数做阈值处理近似系数保留 denoised_coeffs [coeffs[0]] for c in coeffs[1:]: if threshold_mode soft: c_denoised pywt.threshold(c, uthresh, modesoft) else: c_denoised pywt.threshold(c, uthresh, modehard) denoised_coeffs.append(c_denoised) # 重构信号 return pywt.waverec(denoised_coeffs, wavelet)[:len(signal)]这段代码的逻辑是先分解再用最细层的细节系数估计噪声水平因为那一层几乎全是噪声。sigma的估计用了中位数绝对偏差比直接算标准差更抗异常值。阈值uthresh是通用阈值公式对高斯噪声有理论支撑。软阈值把小于阈值的系数压缩到零大于阈值的做收缩重构出来的信号更平滑适合后续做趋势分析。参数怎么调如果去噪后信号毛刺还很多把level加一层如果趋势被削平了换hard阈值或者降低level。我一般会画出去噪前后的对比图肉眼确认突变点没被抹掉再往下走。2.2 去噪效果验证与常见误用去噪做完不能直接信得验证。我常用的指标是信噪比改善量和均方根误差但这两个指标需要干净信号做参考实际竞赛里没有。退而求其次看去噪前后信号的一阶差分方差噪声被压掉后这个值会明显下降但下降太多说明过度去噪。常见误用有三个一是对所有通道用同一组参数不同传感器采样率不同分解层数必须分开定二是把去噪后的数据直接当标签去噪只处理特征标签该是什么还是什么三是忽略边界效应小波重构在信号两端会有畸变我一般会裁掉前2^level个点再参与建模。提示去噪不是必须的。如果D题数据本身信噪比很高强行去噪反而引入伪影。先画原始信号频谱确认高频段有明显噪声再动手。3. 特征工程与STR分解把时序信号变成GBDT能吃的表格3.1 STR趋势分解的操作步骤STR是Seasonal-Trend decomposition using Regression的缩写本质是把时序拆成趋势项、季节项和残差项。D题里很多指标有周期性比如按天采样的数据存在日周期直接做回归会把周期当成趋势系数解释不通。STR分解后趋势项拿去做回归季节项单独建模残差项用来判断模型有没有漏掉信息。Python里没有现成的STR库我一般用statsmodels的STL做近似或者自己写一个基于回归的分解。下面是一个简化版STR实现用傅里叶项拟合季节import numpy as np import pandas as pd from sklearn.linear_model import LinearRegression def str_decompose(series, period24, n_fourier3): series: 一维时序长度2*period period: 周期长度日数据取24周数据取7 n_fourier: 傅里叶项对数控制季节项灵活度 t np.arange(len(series)) # 构造傅里叶特征 X np.column_stack([ np.sin(2 * np.pi * k * t / period) for k in range(1, n_fourier1) ] [ np.cos(2 * np.pi * k * t / period) for k in range(1, n_fourier1) ]) # 加入线性趋势项 X np.column_stack([t, X]) model LinearRegression().fit(X, series) trend model.predict(X)[:, 0] * 0 model.coef_[0] * t model.intercept_ seasonal model.predict(X) - trend residual series - trend - seasonal return trend, seasonal, residual逻辑说明X里第一列是线性趋势后面是傅里叶正余弦项。LinearRegression同时拟合趋势和季节trend单独取线性部分seasonal是拟合值减去趋势residual是原始值减去前两者。n_fourier越大季节项越灵活但容易过拟合D题数据我一般取2到4。参数怎么定先画自相关图看周期峰值出现在哪个滞后那个滞后就是period。如果自相关图没有明显峰值说明数据没有强周期性可以跳过STR分解直接做特征工程。3.2 从分解结果构造GBDT特征GBDT不能直接吃时序必须转成表格。我一般构造这几类特征特征类型具体构造说明趋势特征趋势项当前值、一阶差分反映长期走向季节特征季节项当前值、周期内位置反映周期波动残差特征残差滚动均值、滚动标准差反映局部异常滞后特征原始值滞后1/2/3期给树模型提供时序记忆统计特征滚动窗口均值、最大最小值窗口大小取周期长度构造完特征后用pandas拼成一张宽表每一行是一个时间点每一列是一个特征最后一列是标签。标签通常是下一期的值或者下一期的变化量看题目问什么。注意滞后特征和滚动特征在训练集和测试集之间不能有信息泄露。滚动窗口只能用当前时刻及之前的数据我一般用shift(1)把窗口整体后移一位再算。4. GBDT建模与调参D题里树模型到底该怎么用4.1 GBDT在D题中的定位与选型对比GBDT是梯度提升决策树的缩写D题里它主要用来做回归预测和特征重要性分析。相比随机森林GBDT对残差的迭代拟合让它在小样本上更容易拿到低偏差相比神经网络它不需要大量数据就能稳定收敛而且特征重要性可以直接输出方便写论文时解释“哪些因素影响最大”。我常用的实现是LightGBM因为它在几千条数据上训练速度比XGBoost快一个量级而且原生支持缺失值。如果竞赛环境不允许装额外库sklearn的GradientBoostingRegressor也能用只是调参空间小一些。选型建议数据量小于5000条、特征数小于50用LightGBM默认参数就能跑出不错的结果如果特征里有大量类别变量优先用LightGBM的categorical_feature不要自己独热编码树模型对类别编码的处理更高效。4.2 可运行的训练脚本与必调参数下面是我在D题数据上用的训练脚本包含训练集测试集划分、早停和特征重要性输出import lightgbm as lgb import pandas as pd from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_squared_error # df是构造好的特征宽表最后一列是标签 X df.drop(columns[target]) y df[target] # 时序数据必须用TimeSeriesSplit不能随机划分 tscv TimeSeriesSplit(n_splits5) for train_idx, val_idx in tscv.split(X): X_train, X_val X.iloc[train_idx], X.iloc[val_idx] y_train, y_val y.iloc[train_idx], y.iloc[val_idx] train_data lgb.Dataset(X_train, labely_train) val_data lgb.Dataset(X_val, labely_val, referencetrain_data) params { objective: regression, metric: rmse, boosting_type: gbdt, num_leaves: 31, # 控制树复杂度D题数据小31够用 learning_rate: 0.05, # 学习率0.05比默认0.1更稳 feature_fraction: 0.8, # 每棵树随机选80%特征防过拟合 bagging_fraction: 0.8, # 每轮随机选80%样本 bagging_freq: 5, min_data_in_leaf: 20, # 叶子最小样本数小数据要调大 verbose: -1 } model lgb.train( params, train_data, num_boost_round1000, valid_sets[val_data], callbacks[lgb.early_stopping(50), lgb.log_evaluation(100)] ) pred model.predict(X_val, num_iterationmodel.best_iteration) rmse mean_squared_error(y_val, pred, squaredFalse) print(fFold RMSE: {rmse:.4f}) # 输出特征重要性 importance pd.DataFrame({ feature: X.columns, importance: model.feature_importance(importance_typegain) }).sort_values(importance, ascendingFalse) print(importance.head(10))逻辑说明TimeSeriesSplit保证训练集永远在验证集之前避免时序泄露。early_stopping(50)表示验证集50轮不提升就停防止过拟合。num_leaves和min_data_in_leaf是控制模型复杂度的关键D题数据量通常不大num_leaves超过63就容易过拟合。feature_fraction和bagging_fraction是随机采样增加模型多样性。参数怎么调先固定learning_rate0.05用early_stopping确定num_boost_round然后调num_leaves从31开始每次翻倍看验证集RMSE最后调min_data_in_leaf如果训练集RMSE远低于验证集把这个值调大。feature_importance用gain而不是split因为gain反映特征对损失的实际贡献。提示如果验证集RMSE波动很大检查特征里有没有未来信息。最常见的泄露是滚动窗口没有shift或者用了全局均值做填充。5. 避坑与排查D题建模过程中最容易翻车的五个地方5.1 去噪过度导致趋势被削平现象去噪后信号变得过于平滑原始数据里的突变点消失GBDT在验证集上RMSE反而升高。原因分解层数过高或者阈值规则选得太激进把有效信号的高频成分也滤掉了。解决把level降一层或者把阈值规则从sqtwolog换成rigrsure。画出去噪前后的一阶差分对比图如果差分方差下降超过80%基本就是过度去噪。5.2 STR分解的周期选错现象季节项看起来像随机噪声残差项还有明显周期。原因period参数设错了比如日数据设成了7或者数据本身没有周期性却强行分解。解决先画自相关图找第一个显著峰值对应的滞后。如果自相关图衰减很快没有峰值直接跳过STR用原始值做滞后特征。5.3 GBDT训练集和验证集划分方式错误现象交叉验证RMSE很低但测试集RMSE高出一大截。原因用了train_test_split随机划分时序数据被打乱未来信息泄露到训练集。解决必须用TimeSeriesSplit而且滚动特征的计算要用shift确保只用到历史数据。如果题目要求预测未来多期验证集要按时间顺序切最后一段。5.4 特征重要性解读错误现象论文里写“特征A最重要”但去掉特征A后模型表现没变化。原因feature_importance默认用split次数分裂次数多不代表贡献大。另外相关特征会互相稀释重要性。解决用importance_typegain并且做一次特征剔除实验每次去掉重要性最低的特征看验证集RMSE变化。如果去掉后RMSE不变说明这个特征确实没用。5.5 忽略数据泄漏的隐蔽形式现象模型在训练集上表现完美验证集一塌糊涂但检查代码没发现明显错误。原因用了全局统计量做填充比如用整个数据集的均值填充缺失值验证集的分布信息泄露到了训练集。解决所有填充、标准化、编码操作只能在训练集上拟合然后应用到验证集。我一般把预处理封装成Pipeline用fit_transform和transform分开。6. 论文图表复现把模型结果变成评审能看懂的图6.1 三张必画的图与绘制脚本D题论文里评审最先看的是图不是公式。我一般画三张图去噪前后对比图、特征重要性排序图、预测值与真实值对比图。这三张图能直接说明数据预处理有效、模型选对了特征、预测精度可接受。去噪对比图用matplotlibimport matplotlib.pyplot as plt fig, axes plt.subplots(2, 1, figsize(12, 6)) axes[0].plot(raw_signal, colorgray, alpha0.7, labelRaw) axes[0].set_title(Raw Signal) axes[1].plot(denoised_signal, colorsteelblue, labelDenoised) axes[1].set_title(Denoised Signal (db4, level4, soft)) for ax in axes: ax.legend() ax.grid(alpha0.3) plt.tight_layout() plt.savefig(denoise_compare.png, dpi300)特征重要性图用LightGBM的输出直接画横向条形图按gain排序取前15个特征。预测对比图把验证集的真实值和预测值画在同一张图上再在下面画残差图。残差图如果呈现随机分布说明模型没有系统性偏差如果残差有趋势说明趋势项没提取干净。6.2 论文里怎么描述参数和结果论文里不要只写“用了GBDT”要写清楚参数取值和选择依据。比如“学习率设为0.05因为0.1时验证集RMSE波动超过15%叶子数设为31因为增加到63后验证集RMSE上升出现明显过拟合。”这种描述评审一看就知道你真的调过参不是抄的模板。结果部分要给出具体数值不要只写“效果较好”。比如“去噪后信噪比改善量为6.2dBGBDT在五折时序交叉验证上的RMSE为0.034特征重要性前三位分别是滞后1期值、趋势项当前值、滚动标准差。”数值精确到小数点后三位就够了太多反而显得刻意。注意所有图表必须在论文正文里被引用和解释不能只贴图不说话。每张图下面写两到三句分析说明这张图证明了什么。6.3 我踩过的一个坑图表配色和字体血泪经验论文图表用默认配色打印出来灰度模式下根本分不清哪条线是哪条。我后来固定用seaborn的colorblind调色板并且把线型也区分开实线、虚线、点划线各一种。字体统一用SimHei或Arial字号不小于10否则评审放大看很费劲。这些细节不影响模型分数但影响评审的第一印象。最后一句话我带队做建模这些年最大的习惯是每跑完一个模型先把中间结果存成CSV再画图。因为论文写到一半发现某个参数要改重新跑一遍模型只要几分钟但重新画一遍图可能要半小时。希望帮到你。本文还有配套的精品资源点击获取