[{"createTime":1735734952000,"id":1,"img":"hwy_ms_500_252.jpeg","link":"https://activity.huaweicloud.com/cps.html?fromacct=261f35b6-af54-4511-a2ca-910fa15905d1&utm_source=V1g3MDY4NTY=&utm_medium=cps&utm_campaign=201905","name":"华为云秒杀","status":9,"txt":"华为云38元秒杀","type":1,"updateTime":1735747411000,"userId":3},{"createTime":1736173885000,"id":2,"img":"txy_480_300.png","link":"https://cloud.tencent.com/act/cps/redirect?redirect=1077&cps_key=edb15096bfff75effaaa8c8bb66138bd&from=console","name":"腾讯云秒杀","status":9,"txt":"腾讯云限量秒杀","type":1,"updateTime":1736173885000,"userId":3},{"createTime":1736177492000,"id":3,"img":"aly_251_140.png","link":"https://www.aliyun.com/minisite/goods?userCode=pwp8kmv3","memo":"","name":"阿里云","status":9,"txt":"阿里云2折起","type":1,"updateTime":1736177492000,"userId":3},{"createTime":1735660800000,"id":4,"img":"vultr_560_300.png","link":"https://www.vultr.com/?ref=9603742-8H","name":"Vultr","status":9,"txt":"Vultr送$100","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":5,"img":"jdy_663_320.jpg","link":"https://3.cn/2ay1-e5t","name":"京东云","status":9,"txt":"京东云特惠专区","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":6,"img":"new_ads.png","link":"https://www.iodraw.com/ads","name":"发布广告","status":9,"txt":"发布广告","type":1,"updateTime":1735660800000,"userId":3},{"createTime":1735660800000,"id":7,"img":"yun_910_50.png","link":"https://activity.huaweicloud.com/discount_area_v5/index.html?fromacct=261f35b6-af54-4511-a2ca-910fa15905d1&utm_source=aXhpYW95YW5nOA===&utm_medium=cps&utm_campaign=201905","name":"底部","status":9,"txt":"高性能云服务器2折起","type":2,"updateTime":1735660800000,"userId":3}]
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。