2021年美赛C题:亚洲巨蜂预测与监测模型
需积分: 0 27 浏览量
更新于2024-07-15
1
收藏 980KB PDF 举报
"2021数学建模美赛C题中文版,涉及内容包括亚洲巨蜂的传播预测、图像分类、描述精度评估以及应对样本不平衡的策略。参赛团队运用了ARIMA模型进行时间序列预测,卷积神经网络(CNN)进行图像分类,并构建了综合评价模型以优化资源分配。此外,他们还处理了数据不平衡问题,调整了模型更新频率。"
这篇文档主要介绍了2021年美国大学生数学建模竞赛(MCM/ICM)的一道题目,该题目关注的是亚洲巨蜂在北美的扩散情况。团队针对五个具体需求提出了相应的解决方案。
首先,团队建立了一个传播预测模型,采用ARIMA(自回归整合滑动平均模型)对基于报告的亚洲巨蜂传播距离进行了时间序列分析。他们进行了平稳性测试和差分处理,确保数据可预测性,并通过模型预测黄蜂的扩散趋势,同时分析了纬度和经度上的季节性变化。
其次,针对图像分类需求,团队采用了过采样技术优化训练集,以平衡类别分布。他们应用L2正则化和Dropout层来防止过度拟合,构建了一个基于卷积神经网络的分类模型,用于识别目击者提供的图片中的黄蜂状态。
第三,团队通过创建一个综合评价模型,结合传播预测、图像分类和描述精度三个指标,对报告的可信度进行了评估。他们通过为不同指标分配权重来确定报告的积极程度。
第四,鉴于数据不平衡可能导致的问题,团队提出当样本比例达到4:1时需要更新训练集,同时提高综合评价模型中分类模型判断结果的权重。模型更新频率与分类模型的过采样频率保持一致。
最后,团队设定了一个判断亚洲巨蜂是否被根除的标准:报告位置不在传播预测范围内,图像分类结果为“否”,且目击描述不符合亚洲巨蜂特征,即可认为该区域已无亚洲巨蜂。
关键词涵盖了ARIMA模型的使用、ADF(Augmented Dickey-Fuller)单位根检验、不平衡数据集的处理、序列模型、L2正则化、过采样技术和综合评价模型的构建。
这个项目展示了如何将统计学和机器学习方法应用于实际问题,以解决生物入侵的监测和管理问题,体现了数学建模在解决复杂问题中的应用价值。
2023-07-27 上传
2023-08-25 上传
2023-05-17 上传
2023-12-05 上传
2023-06-21 上传
2023-06-27 上传
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
Yuxuan_Yue
- 粉丝: 26
- 资源: 2
最新资源
- 计算机人脸表情动画技术发展综述
- 关系数据库的关键字搜索技术综述:模型、架构与未来趋势
- 迭代自适应逆滤波在语音情感识别中的应用
- 概念知识树在旅游领域智能分析中的应用
- 构建is-a层次与OWL本体集成:理论与算法
- 基于语义元的相似度计算方法研究:改进与有效性验证
- 网格梯度多密度聚类算法:去噪与高效聚类
- 网格服务工作流动态调度算法PGSWA研究
- 突发事件连锁反应网络模型与应急预警分析
- BA网络上的病毒营销与网站推广仿真研究
- 离散HSMM故障预测模型:有效提升系统状态预测
- 煤矿安全评价:信息融合与可拓理论的应用
- 多维度Petri网工作流模型MD_WFN:统一建模与应用研究
- 面向过程追踪的知识安全描述方法
- 基于收益的软件过程资源调度优化策略
- 多核环境下基于数据流Java的Web服务器优化实现提升性能