企业官网建设流程全解析

在备赛数模国赛的过程中，C题往往是最容易出成绩、也最容易翻车的题目。很多队伍一眼看到 C 题的数据表格和业务场景，觉得“不就是数据分析吗”，结果做下去才发现：数据量巨大、指标口径复杂、模型解释要求高，三天时间一大半耗在数据清洗和结果调参上。本文从 C 题命题特征出发，完整拆解备赛知识框架、标准建模流程、常用算法实战代码、模型创新思路以及 AI 辅助工具的正确用法，帮助你搭建一套可持续复用的参赛体系。

本文适合正在备赛全国大学生数学建模竞赛、尤其是主攻 C 题的本科生和研究生阅读。无论你是第一次参赛还是想冲击国奖，只要按文章顺序把每个环节的代码和思路吃透，就能在赛场上少走很多弯路。

1. 国赛C题到底考什么

1.1 C题的定位与命题特征

全国大学生数学建模竞赛的题目分为 A、B、C 等题组，不同题目的侧重点差异很明显。A 题偏物理机理和连续问题，通常需要建立微分方程或偏微分方程模型；B 题往往涉及离散优化、图论和运筹学；而 C 题是典型的数据分析题，题目会提供一份或多份实际业务数据，要求参赛者完成数据预处理、特征分析、模型构建、结果解释和决策建议。

从近年题目来看，C 题的命题风格非常稳定，核心是“用数据说话”。例如某年题目是蔬菜类商品的自动定价与补货决策，数据包含多个品类商品的销量、价格、损耗率等；另一年题目是垃圾焚烧厂炉温预测，数据来自燃烧工况的传感器记录。这些题目的共同点有三个：

• 数据量大，通常有几十万甚至上百万条记录。
• 业务背景强，需要理解行业术语和数据口径。
• 结果要求落地，不仅要对历史数据建模，还要给出未来预测或经营决策建议。

这一点决定了 C 题的备赛重点不是背模型公式，而是熟练掌握数据处理、特征工程、机器学习建模和结果可视化这套完整流程。

1.2 C题与其他题目的区别

很多参赛队伍在选题时犹豫不决，其实只要认清 C 题特点，选择就变得容易了。

A 题需要较强的物理和数学功底，如果集训时没有积累偏微分方程数值解的实战经验，赛场上临时推导很容易卡住。B 题对算法设计能力要求较高，常见的是整数规划、动态规划或者复杂启发式算法，代码工程量也不小。C 题则更适合具有以下特点的队伍：

• 熟悉 Python 和 pandas、numpy、sklearn 等数据处理库。
• 擅长对业务数据做快速探索性分析。
• 能在较短时间内把模型结果转化为可读的图表和结论。

需要提醒的是，C 题虽然入门门槛低，但获奖门槛并不低。因为绝大多数队伍都会选择 C 题，评审时的竞争非常激烈。想要冲击国奖，单纯套用一个随机森林模型远远不够，必须在一两个环节做出亮点，比如数据处理方法的严谨性、特征构造的业务依据、模型组合的创新性，或者决策建议的可操作性。

1.3 C题备赛必须掌握的技能矩阵

根据近年来的赛题要求，我将 C 题需要的能力拆分为六个维度：

1.4 C题拿奖的评分点在哪里

关于 C 题评分标准，可以从本科组获奖论文和评阅要点中总结出几条规律。评阅老师首先看摘要和结论，摘要必须清晰回答“做了什么、怎么做的、得到什么结果、结果是否可靠”。其次看数据处理过程是否完整，很多队伍直接把 Excel 数据读进来就建模，缺失值随便填、异常值不处理，这种论文在评阅时会被扣分。最后看模型是否真的解决了业务问题，而不是模型本身多高深。

换句话说，C 题拿高分的关键是“完整、合理、可解释”，不是说一定要用最前沿的深度学习方法。

2. 备赛环境与团队准备

2.1 编程语言与工具链

C 题的主流工具是 Python。相比 MATLAB，Python 在数据处理和机器学习生态上更成熟，尤其是 pandas、scikit-learn、matplotlib 这三个库组合在一起，可以覆盖从数据读取到结果可视化的全部环节。

在版本选择上，建议使用 Python 3.9 以上版本，安装 Anaconda 作为基础环境，这样可以直接获得 numpy、pandas、scipy、matplotlib 等常用库。如果比赛需要使用机器学习库，建议再安装 scikit-learn、xgboost、lightgbm。时序预测方向可能用到 statsmodels、prophet；微分方程数值解相关的不作为 C 题重点，但有时会作为辅助模型出现。

我建议在赛前固定使用一个项目虚拟环境，避免因依赖冲突浪费比赛时间：

conda create -n mathmodel python=3.11 conda activate mathmodel conda install numpy pandas matplotlib scipy scikit-learn pip install xgboost lightgbm statsmodels

这里不要求版本号完全一致，重点是保持环境稳定，比赛期间不要频繁升级依赖。

2.2 推荐编辑器与项目管理

编辑器方面，PyCharm 和 VS Code 都是不错的选择。个人更推荐 VS Code，因为打开数据集和 Jupyter Notebook 比较流畅，插件体系也适合团队协作。比赛时推荐使用 Jupyter Notebook 做探索性分析，用.py脚本沉淀最终的模型文件。

为了方便复盘和排错，建议赛前就固定一套项目目录结构：

C_question/ ├── data/ │ ├── raw/ # 原始数据，只读不修改 │ ├── processed/ # 清洗后的数据 │ └── output/ # 结果输出 ├── code/ │ ├── preprocess.py # 数据预处理 │ ├── eda.ipynb # 探索性分析 │ ├── feature.py # 特征工程 │ ├── model.py # 模型训练与预测 │ └── utils.py # 公共函数 ├── paper/ │ └── figure/ # 论文图表 └── README.md

2.3 团队分工与赛程安排

数学建模竞赛是三人三天，C 题的数据量大，团队分工尤其重要。根据 C 题特点，建议采用“1 建模 + 1 编程 + 1 写作”的分工方式，但又不能完全割裂。原因是写作同学如果不懂模型，就写不出清晰的模型解释；编程同学如果只写代码不看题目，就不知道特征构造的方向。

比较合理的赛程安排是这样的：

• 第一天上午：全体读题，每人独立列出关键问题和数据字段，然后集中讨论确定题目理解。
• 第一天下午至晚上：编程同学完成数据清洗和 EDA，建模同学开始设计整体模型框架，写作同学搭建论文模板并记录题目分析和假设。
• 第二天：建模与编程紧密配合完成主模型，写作同学同步撰写“模型建立”部分。
• 第三天上午：完成结果分析、模型检验、敏感性分析。
• 第三天下午：写作同学全力冲刺摘要和论文排版，其他两人负责图表校准和参考文献整理。

2.4 赛前训练建议

赛前训练不需要大量刷整套题目，重点是做专题拆解。比如用两到三天专门练习数据清洗，再用两到三天专门练特征工程，接着用一周时间集中练习常见模型，最后再找一套近年 C 题做三天完整模拟。每次模拟后必须花半天时间复盘，把“卡在哪个环节、为什么卡、下次怎么避免”记录下来。通过复盘沉淀出自己的工具箱和套路，赛场上会从容很多。

3. C题的标准解题流程

3.1 从题目描述到问题定义

拿到 C 题后，第一步不是读数据，而是反复读题，把题目中的业务目标转化成建模目标。C 题的题干往往包含销售、库存、定价、排放、能耗等业务名词，每个名词都可能对应数据表中的一个或多个字段。读题时要做的就是把主问题拆成若干子问题，例如“预测未来销量”和“制定补货计划”就是两个不同的子任务。

建议用表格把业务目标、数据字段、模型输出列出来：

这一步听起来简单，却决定了后续所有工作的方向。方向错了，后面模型再精细也白搭。

3.2 数据清洗是C题的生死线

数据处理是 C 题的基础，也是拉开差距的关键环节。赛题数据往往存在明显问题，例如缺失值、重复记录、异常值、单位不统一、日期格式混乱、多表关联键不一致等。如果不认真处理，直接在原始数据上建模，哪怕模型本身没问题，预测结果也可能严重背离业务规律。

数据清洗应该遵循“先理解，再处理”的原则。拿到每张表后，先用df.info()和df.describe()看字段类型、缺失情况和分布；然后结合业务逻辑判断每个异常值是错误数据还是真实波动。比如销量出现负数，可能是退货记录，不能直接删除；价格出现极端值，可能是录入错误，需要进一步确认。

3.3 探索性数据分析和特征构造

EDA 的作用在于发现数据中的模式，为建模提供方向。通过绘制销量时间序列图、品类销量对比图、相关性热力图，可以直观看到周期性、趋势性和异常点。这些图形同样是论文中非常有说服力的素材。

特征工程则是把业务理解和数据信息转化为模型输入的过程。常见做法包括：

• 日期分解：年、月、日、星期、是否节假日、是否促销日。
• 历史统计：过去 7 天销量均值、标准差、最大值、最小值。
• 分组特征：同一品类或同一门店在不同维度上的均值。
• 编码转换：类别变量用独热编码或标签编码。
• 标准化：对量纲差异大的特征使用标准化或 MinMax 归一化。

3.4 模型选择、训练与结果解释

C 题常见模型可以归为几类：评价类（熵权法、TOPSIS、灰色关联分析）、预测类（线性回归、随机森林、XGBoost、LightGBM、时间序列模型）、优化类（线性规划、粒子群算法、模拟退火算法）。具体选哪一类，取决于题目问的是“好坏排序”还是“未来数值”还是“最优决策”。

模型训练时要特别注意防止过拟合。C 题数据经常时间跨度长，直接用全部数据训练再在同样时间段上验证，效果会很好看，但实际预测很差。正确做法是按时间划分训练集和验证集，或者使用 K 折交叉验证。模型完成后，还要分析特征重要性，说明哪些因素对结果影响最大，这可能是评阅老师最关心的内容。

结果解释不是把预测值贴出来就结束，而是要结合业务场景说明“为什么是这个结果”。例如预测某品类销量最高，论文里应说明是因为该品类历史销量基数大、近期促销活动频繁、季节性因素叠加等。

4. 数据预处理与EDA实战

4.1 读取数据与数据概览

先来看一个最简单的数据读取示例。假设赛题给出两张表，一张是销售明细表sales.csv，另一张是商品信息表products.csv：

# 文件路径：code/preprocess.py import pandas as pd import numpy as np sales = pd.read_csv('data/raw/sales.csv', parse_dates=['日期']) products = pd.read_csv('data/raw/products.csv') print(sales.shape) print(sales.info()) print(sales.head())

shape可以快速看数据规模，info()可以检查每个字段的非空数量和类型，head()则让我们对数据长相有一个直观感受。读取后要检查两张表的关联键是否一致，例如商品编码在 sales 里是字符串，在 products 里是整数，合并前就需要统一类型。

4.2 缺失值与异常值处理

处理缺失值时，不要无脑用中位数或均值填充。先判断缺失比例，如果某字段缺失超过 80%，通常直接删除该特征；如果缺失比例较低，再根据字段含义选择填充方式。对于时间序列数据，前向填充有时候比均值填充更合理：

# 缺失值处理示例 # 情况1：数值型字段缺失比例较低，按组中位数填充 sales['单价'] = sales.groupby('品类')['单价'].transform(lambda x: x.fillna(x.median())) # 情况2：时间序列字段，使用前向填充 sales['库存量'] = sales['库存量'].ffill() # 异常值处理：用 IQR 方法标记极端值 Q1 = sales['销量'].quantile(0.25) Q3 = sales['销量'].quantile(0.75) IQR = Q3 - Q1 lower = Q1 - 1.5 * IQR upper = Q3 + 1.5 * IQR print('异常值数量：', ((sales['销量'] < lower) | (sales['销量'] > upper)).sum())

需要注意的是，IQR 方法只是标记异常值的一种思路。对于销量这种业务字段，节假日峰值被标记为异常值非常常见，此时不能直接删除，而是要结合日期特征判断是否属于正常业务波动。

4.3 EDA可视化与洞察提炼

EDA 的目的是快速提炼业务规律。下面代码绘制某品类销量随时间的变化趋势，并输出整体统计描述：

# 文件路径：code/eda.ipynb import matplotlib.pyplot as plt import matplotlib.dates as mdates plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 按日期汇总销量 daily_sales = sales.groupby('日期')['销量'].sum().reset_index() fig, ax = plt.subplots(figsize=(12, 5)) ax.plot(daily_sales['日期'], daily_sales['销量'], linewidth=1) ax.set_title('每日销量趋势') ax.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d')) plt.tight_layout() plt.savefig('paper/figure/daily_sales.png', dpi=150) plt.show()

图表的每个细节都可能影响论文观感。画图时务必注意中文显示问题，论文最终提交的图片建议统一设置为 150dpi 以上，尺寸清晰，坐标轴有标题，图例不遮挡数据。

EDA 后应形成几条明确的结论，例如“销量存在明显周周期性”“春节前后销量显著上升”“部分品类价格敏感度较高”。这些结论会直接指导后续特征构造，也是论文中“数据分析”章节的重要素材。

5. 核心算法精讲与代码实现

5.1 评价类模型：熵权法 + TOPSIS

C 题经常出现排序、评价类问题，例如对多个供应商、多个地区或多个方案进行综合评价。熵权法用于确定客观权重，TOPSIS 用于计算各评价对象与理想解的接近程度，两者组合非常经典。

熵权法的思路是：指标变异程度越大，说明信息量越大，权重越高。比如某个指标所有样本数值几乎相同，它对评价就没有区分度，权重应趋近于 0。

下面给出完整的熵权法 + TOPSIS 代码，输入是一个二维数组，每一行是一个评价对象，每一列是一个指标：

# 文件路径：code/evaluate.py import numpy as np def entropy_weight(X): """ 熵权法计算指标权重 X: shape (n_samples, n_features)，已正向化处理 返回: 权重向量 """ X = np.array(X, dtype=float) # 归一化，这里采用比重法 P = X / X.sum(axis=0, keepdims=True) # 防止 log(0) P = np.where(P == 0, 1e-12, P) k = 1 / np.log(X.shape[0]) e = -k * (P * np.log(P)).sum(axis=0) d = 1 - e w = d / d.sum() return w def topsis(X, w): """ TOPSIS 法计算综合得分 X: 正向化且标准化的决策矩阵 w: 权重向量 """ # 规范化决策矩阵 norm = X / np.sqrt((X ** 2).sum(axis=0, keepdims=True)) # 加权规范化矩阵 V = norm * w # 正理想解和负理想解 Z_plus = V.max(axis=0) Z_minus = V.min(axis=0) D_plus = np.sqrt(((V - Z_plus) ** 2).sum(axis=1)) D_minus = np.sqrt(((V - Z_minus) ** 2).sum(axis=1)) score = D_minus / (D_plus + D_minus) return score # 示例数据：4个评价对象，3个指标，均为正向指标 X = np.array([ [85, 90, 78], [82, 88, 82], [91, 76, 85], [79, 93, 80] ]) w = entropy_weight(X) score = topsis(X, w) print('权重：', w) print('综合得分：', score)

使用熵权法时要注意，实际赛题中的指标有正向指标和负向指标之分。正向指标数值越大越好，负向指标数值越小越好。在计算熵权之前，需要对负向指标做正向化处理，例如取倒数或取最大值减去原值。

5.2 预测类模型：随机森林与 XGBoost

预测未来数值是 C 题的另一个主力考查方向。随机森林作为集成学习模型，不需要过多调参就能获得不错的效果，适合作为基准模型。XGBoost 或 LightGBM 在数据量大、特征多时效果更优，但需要关注过拟合和参数调整。

下面以随机森林为例展示完整的预测流程：

# 文件路径：code/model.py import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error # 假设 X 是特征矩阵，y 是标签 # 按时间顺序切分，前 80% 训练，后 20% 验证 df = pd.read_csv('data/processed/train_features.csv') feature_cols = [c for c in df.columns if c not in ['销量', '日期']] X = df[feature_cols].values y = df['销量'].values # 时间序列切分，禁止打乱 split_idx = int(len(X) * 0.8) X_train, X_val = X[:split_idx], X[split_idx:] y_train, y_val = y[:split_idx], y[split_idx:] model = RandomForestRegressor( n_estimators=300, max_depth=10, random_state=42, n_jobs=-1 ) model.fit(X_train, y_train) y_pred = model.predict(X_val) print('MAE:', mean_absolute_error(y_val, y_pred)) print('RMSE:', mean_squared_error(y_val, y_pred, squared=False)) # 特征重要性 importance = pd.Series(model.feature_importances_, index=feature_cols) print(importance.sort_values(ascending=False).head(10))

这里强调按时间顺序切分数据集，而不是随机切分，是为了模拟真实的“用历史预测未来”场景。如果随机打乱，未来数据参与了训练，验证结果会严重虚高。

使用 XGBoost 时，同样需要先构造DMatrix格式数据，并可以设置验证集来观察训练轮数。比赛中不要盲目堆叠大模型，随机森林在几千条数据上往往已经能取得很不错的效果，而 XGBoost 更擅长处理几十万条以上的数据。

5.3 优化类模型：粒子群算法与模拟退火

部分 C 题会在预测之后追加决策优化问题，例如确定最优补货量、最优运输方案。对于变量不多、约束明确的优化问题，使用 scipy 的线性规划或整数规划即可；当问题复杂度较高、求解空间不光滑时，启发式算法是更通用的选择。

粒子群算法的核心思想是模拟鸟群觅食，每个粒子代表一个候选解，通过个体最优和全局最优更新自己的位置和速度。其优点是实现简单、收敛快，适合连续变量优化。下面给出一个用于函数最小化的粒子群算法示例：

# 文件路径：code/pso.py import numpy as np def pso_minimize(func, dim, bounds, num_particles=30, max_iter=100): """ func: 目标函数，输入一维数组，输出标量 dim: 变量维度 bounds: [(low, high), ...]，每个变量的范围 """ lb = np.array([b[0] for b in bounds]) ub = np.array([b[1] for b in bounds]) # 初始化粒子位置和速度 X = np.random.uniform(lb, ub, (num_particles, dim)) V = np.random.uniform(-0.1, 0.1, (num_particles, dim)) pbest = X.copy() gbest = X[0].copy() for t in range(max_iter): for i in range(num_particles): if func(X[i]) < func(pbest[i]): pbest[i] = X[i].copy() if func(pbest[i]) < func(gbest): gbest = pbest[i].copy() w = 0.8 - 0.4 * t / max_iter # 惯性权重递减 c1, c2 = 1.5, 1.5 r1, r2 = np.random.rand(dim), np.random.rand(dim) V = w * V + c1 * r1 * (pbest - X) + c2 * r2 * (gbest - X) X = X + V X = np.clip(X, lb, ub) return gbest, func(gbest) fun = lambda x: (x[0] - 3) ** 2 + (x[1] + 2) ** 2 best_x, best_val = pso_minimize(fun, dim=2, bounds=[(-10, 10), (-10, 10)]) print('最优解：', best_x, '最优值：', best_val)

粒子群算法的参数（粒子数、迭代次数、惯性权重）需要根据实际问题调整。赛题中如果时间紧张，可以用模拟退火算法作为备选方案，它的实现思路是先高温大范围搜索、再低温精细搜索，原理简单，收敛稳定。

5.4 模型检验与敏感性分析

模型建好后，不能直接写进论文，还要做充分的检验。对于预测类模型，要计算误差指标并绘制预测值与真实值对比图；对于评价类模型，要检查权重变化对排序结果的影响；对于优化类模型，要验证约束条件是否满足，并分析参数变化对最优解的影响。

敏感性分析是 C 题论文的一个加分项。比如在评价类问题中，可以将权重上下浮动 10% 重新计算排序，看排序是否发生剧烈变化；如果变化不大，说明模型鲁棒性好。

6. 模型创新点应该怎么设计

6.1 创新不等于冷门算法

很多队伍认为用 LSTM、深度学习就是创新，其实对于 C 题来说，深度学习既不好训练，又难解释，评阅时未必占优势。真正的创新点是“针对问题特征的适配性”，例如针对销售数据中的周周期性，在特征中构造星期交互项；针对时间序列的非平稳性，组合差分处理与机器学习模型。这些做法在论文里写出来，远比“我们使用了深度神经网络”更有说服力。

6.2 常见创新方向

第一个方向是组合模型。一段单独使用时间序列模型或机器学习模型，可以将二者组合，例如先用 XGBoost 预测基准值，再用 ARIMA 对残差进行修正，形成“残差修正组合预测模型”。

第二个方向是改进权重确定方式。前面的熵权法是客观赋权，层次分析法（AHP）是主观赋权，二者各有优劣。可以设计一种主客观组合赋权方法，通过距离函数计算组合系数，使最终权重兼顾业务经验和数据特征。

第三个方向是把业务约束融入模型。比如补货决策不仅要考虑销量预测，还要考虑库存成本、损耗率、供应商供货上限等约束，形成“预测 + 优化”的端到端方案。这种贴近业务实际的建模方式，往往比单纯调参更能打动评阅老师。

6.3 如何在论文中呈现创新点

创新点必须用一节专门写清楚，放在模型建立章节的开头。写法建议遵循“问题痛点 -> 现有方法不足 -> 本文改进 -> 改进效果验证”的逻辑。要让评阅老师一眼看出你的方法和常用方法有什么不同，而不是通篇只写模型公式，最后才提了一句“本模型具有创新性”。

7. AI辅助参赛的正确方式

7.1 AI能做什么、不能做什么

随着大语言模型工具的普及，AI 已经成为数模备赛和比赛中的有力辅助。它擅长的事情包括：快速生成数据处理模板代码、解释陌生算法原理、整理论文摘要、润色语言表达、排查报错信息。它可以帮你节省大量重复编码和文字整理时间。

但 AI 不能代替你完成建模思考。比赛题目千变万化，AI 不知道题目背后的业务逻辑，无法判断你构造的特征是否符合实际意义。直接复制 AI 生成的大段分析文字而不做修改，很容易出现空话套话，这在论文中反而适得其反。更重要的，比赛规则通常禁止直接使用未经训练的模型结果作为最终答案，所有 AI 生成内容必须经过人工验证和修改。

7.2 使用AI处理重复性数据处理任务

数据清洗是 C 题中最耗时、最重复的工作。对于“如何把某列时间字符串标准化”“如何合并多张表并保留指定列”这类明确指令，AI 往往能直接给出可用代码。下面是一个向 AI 提问的提示词示例：

我有一个销售明细表 sales.csv，字段包括：日期、品类、销量、单价、促销标记。 请帮我完成以下任务： 1. 读取数据并显示缺失值比例； 2. 日期列统一为 datetime 类型； 3. 销量列存在负数，请按业务逻辑提出处理建议； 4. 按品类分组计算销量均值、中位数、标准差。 要求代码使用 pandas，并添加必要注释。

这类提示词的核心是“任务明确 + 数据字段清晰 + 输出要求具体”。给出的字段信息越清楚，AI 返回的代码就越贴近你的数据。

7.3 使用AI辅助算法理解与调参

当遇到不熟悉的算法时，AI 可以作为学习助手。比如问你“熵权法和层次分析法的区别”或“随机森林如何处理类别特征”，AI 的回答很快，可以帮助你快速建立知识框架。但调参部分不能完全交给 AI，因为 AI 不知道你的数据分布和模型性能。

更实用的做法是，用 AI 生成多组候选参数，然后通过交叉验证自行筛选。例如让 AI 列举 XGBoost 常用参数的含义和推荐范围，再在你自己的数据上进行网格搜索。

7.4 使用AI辅助论文写作与排版

论文写作阶段，AI 最大的价值是压缩语言和调整表达。写完一段摘要初稿后，可以让 AI 将摘要压缩到 300 字以内，同时保留关键数据结果。注意，摘要中的数字和结论必须来自自己的模型输出，不能用 AI 随意编造。

也可以用 AI 将冗长的模型推导过程改写为更简洁的段落：

以下是我写的模型建立部分，语言太啰嗦，请帮我优化表达， 保留技术细节，但压缩到原文一半长度，并保持学术语气： [粘贴你的内容]

需要特别强调，比赛论文最重要的仍然是原创性和真实性。AI 的定位是助手，不是作者。所有关键结论必须由你亲自验证，所有代码必须能在你的环境中运行通过。

8. 论文写作与高分细节

8.1 摘要怎么写

摘要是整篇论文的“脸面”。评阅老师通常先用几分钟阅读摘要，再决定是否细看正文。一篇好的 C 题摘要应包括四个要素：研究问题、核心方法、主要结果、关键结论。写摘要时尽量用数字说话，例如“预测模型在测试集上的平均绝对误差为 5.2%”“优化方案相比原方案成本降低 8%”。

不要使用“本文对数据进行深入分析”这类空话。每个句子都应该包含具体的方法或结果。建议在比赛最后半天集中修改摘要，反复打磨到每个词都不可删。

8.2 图表规范

C 题论文中图表数量通常在 15 到 25 张之间。每张图必须有图号、图名和数据来源说明。图名不能只写“销量图”，要写清楚变量和时间范围，例如“2020-2023年某品类周销量时间序列图”。表格推荐使用三线表，表格内部不要出现过多颜色。所有图表在正文中第一次出现时，都要有一段话说明其结论。

8.3 模型假设与局限性

C 题数据复杂，论文必须写明模型假设。例如假设节假日影响可以量化为 0/1 变量，假设缺失值缺失机制为随机缺失，假设同一品类内商品具有相似销售规律等。这些假设看似简单，却能体现你对问题的理解深度。

模型局限性同样要写，这是模型检验的一部分。评阅老师认可“诚实说明局限”的写法，但要在局限性后补充“后续改进方向”，展示你还有进一步思考的空间。

9. 常见问题与排查清单

9.1 高频问题与解决思路

9.2 赛场避坑清单

比赛时间紧张，很多错误是可以提前避免的。我结合备赛经验整理了下面这份避坑清单，建议赛前打印出来对照检查：

• 每天定时备份代码和论文，使用云同步或压缩包备份。
• 任何对原始数据的修改都必须另存为副本，不要直接覆盖原文件。
• 所有随机模型设置固定随机种子，保证结果可复现。
• 每次模型运行后记录参数和结果，避免重复调参。
• 论文引用的数据、图表、公式，都要能在附录里找到对应内容。
• 提交前检查最终论文是否有乱码、缺图、错别字问题。

9.3 遇到卡壳怎么办

比赛过程不可能一帆风顺。如果某个模型连续多次测试失败，不要死磕，可以先用手头已有的结果写论文，同时换一个更简单的方法作为后备方案。C 题最重要的不是模型多复杂，而是论文里每个结论都有数据支撑。哪怕最终使用的是基础模型，只要数据处理严谨、结果解释充分，依然可能取得不错的成绩。

10. 总结与进阶建议

本文围绕数模国赛 C 题展开，从命题特征、备赛环境、标准解题流程、数据预处理与 EDA 实战，到熵权法 TOPSIS、随机森林、粒子群算法等核心算法代码，再到模型创新点设计、AI 辅助参赛和论文写作高分细节，基本覆盖了 C 题从读题到提交的完整链路。

对于正在备赛的读者，我建议下一阶段按三条线推进：

第一，代码能力线。把本文涉及的数据清洗代码、评价模型代码、预测模型代码、粒子群代码全部在本地跑通，并尝试修改参数观察结果变化。代码只有自己运行过，赛场上才能顺手使用。

第二，论文写作线。不要等到比赛才开始写作，现在就应该整理一份自己的论文 LaTeX 或 Markdown 模板，把摘要、模型假设、模型建立、模型检验、灵敏度分析这些章节标题和小节逻辑预先写好骨架。

第三，真题模拟线。找一套近年 C 题，严格按照三天时间做一次完整模拟，重点体验数据读取、特征构造、模型训练和时间分配的节奏。

建模竞赛的结果固然重要，但备赛过程中养成的数据分析习惯、编程规范意识和团队协作能力，对后续科研和工作也很有帮助。希望本文能成为你备赛路上的一份实用手册。如果在实践过程中有更好的思路或代码，欢迎回来交流。