©2020-2024 ioDraw All rights reserved,
Privacy Policy
已更新五一数学建模ABC题思路，文章末尾获取！
B题思路：
问题1：附件1为该快递公司记录的2018年4月19日—2019年4月17日的站点城市之间(发货城市-收货城市)的快递运输数据，请从收货量、发货量、快递数量增长/减少趋势、相关性等多角度考虑，建立数学模型，对各站点城市的重要程度进行综合排序，并给出重要程度排名前5的站点城市名称，将结果填入表1。
我们先对数据进行处理，包括提取发货日期、发货城市、收货城市以及计算每个城市的发货量和收货量。同时统计每个城市的快递数量增长/减少趋势。然后针对每个城市，我们提取以下特征：
* 发货量：城市的总发货量；
* 收货量：城市的总收货量；
* 快递数量增长/减少趋势：可以使用线性回归分析计算每个城市的快递数量增长/减少趋势；
d. 相关性：可以计算城市之间的发货和收货之间的相关性，可以使用皮尔逊相关系数。
最后建立评价模型：针对提取的特征，我们可以建立加权评价模型。例如，可以采用层次分析法（AHP）确定每个特征的权重，然后计算每个城市的综合评分。根据每个城市的综合评分进行排序，得到城市重要程度的排名。提取排名前5的城市，并填入表1。
问题2：请利用附件1数据，建立数学模型，预测2019年4月18日和2019年4月19
日各“发货-收货”站点城市之间快递运输数量，以及当日所有“发货-收货”站点城市之间的总快递运输数量，并在表2中填入指定的站点城市之间的快递运输数量，以及当日所有“发货-收货”站点城市之间的总快递运输数量。
根据问题一处理的数据之后，针对每个“发货-收货”站点城市之间的快递运输数量，可以使用时间序列分析方法（如ARIMA）来建立模型并进行预测。对每个城市对的历史数据进行平稳性检验，然后根据平稳性选择合适的模型。在模型训练完成后，可以预测2019年4月18日和2019年4月19日各“发货-收货”站点城市之间的快递运输数量。将所有预测的“发货-收货”站点城市之间的快递运输数量相加，得到当日所有“发货-收货”站点城市之间的总快递运输数量。将预测的指定站点城市之间的快递运输数量，以及当日所有“发货-收货”站点城市之间的总快递运输数量填入表2。
问题3：附件2为该快递公司记录的2020年4月28日—2023年4月27日的快递运输数量。由于受到突发事件影响，部分城市之间快递线路无法正常运输，导致站点城市之间无法正常发货或收货(无数据表示无法正常收发货，0表示无发货需求)。请利用附件2数据，建立数学模型，预测2023年4月28日和2023年4月29日可正常“发货-收货”的站点城市对(发货城市-收货城市)，并判断表3中指定的站点城市对是否能正常发货，如果能正常发货，给出对应的快递运输数量，并将结果填入表3。
我们先对附件2中的数据进行处理，提取发货日期、发货城市、收货城市以及每个城市间的快递运输数量。同时，找出受到突发事件影响导致无法正常发货或收货的城市。针对每个“发货-收货”站点城市之间的快递运输数量，我们使用问题二中的时间序列分析方法（如ARIMA）来建立模型并进行预测。对每个城市对的历史数据进行平稳性检验，然后根据平稳性选择合适的模型。在模型训练完成后，可以预测2023年4月28日和2023年4月29日各“发货-收货”站点城市之间的快递运输数量。对于表3中指定的站点城市对，我们需要检查它们是否受到突发事件影响。如果在附件2的数据中发现无法正常发货或收货的情况，那么在表3中填写“否”。如果在附件2的数据中没有发现无法正常发货或收货的情况，那么在表3中填写“是”。对于能正常发货的站点城市对，将预测的快递运输数量填入表3。对于不能正常发货的站点城市对，快递运输数量栏留空。