2024年美赛C题评委文章及O奖论文解读 | AI工具如何影响数学建模？从评委和O ...

• 模型假设仅仅是简单陈述吗？
  
• 允许AI的利用是否降低了角逐难度？
  
• 还在依赖呆板学习的模型吗？
  
• 处理题目标方法有哪些？
  
• O奖论文的优点在那里？
  

本文调研了当年赛题的评委文章和O奖论文，这些题目都会在文章中一一解答。
引言

每年美赛结束后，评委根据参赛情况撰写评论文章，此中包罗：

• 为了求解24年C题，可以接纳哪些方法和模型？
  
• 24年C题的论文优点有哪些？缺点又是什么？
  
• 对文章其他部分的评价：数据预处理、AI的利用...
  

本文联合评委意见和当年O奖论文对24年美国大学生数学建模竞赛C题做出要点分析和总结，让我们一起来看看2024年美赛C题赛题分析吧！
省流
阅读原始全文点这里
相关文章：
2023年美赛C题评委文章及O奖论文解读 | 美国大学生数学建模竞赛 从评委和O奖论文出发-O奖论文做对了什么？
如何在美赛中得到更高奖项？|从组委会评选流程和分诊机制出发
简介

配景

24年C题要求团队基于网球角逐数据集进行建模，要求模型具有两个特点：在角逐任何时刻揭示和预测球员的表现和表现差异；通过势头及其变化揭示球员优势。
此次角逐初次允许利用AI资源，但应记录查询内容和AI回应。
题目重述

在此进行简单的题目说明。

• 构建一个可以捕捉角逐进行时局势流动的模型，当应用到角逐中时，可以确定某个时刻哪个球员表现好以及其优势有多大；
  
• 用模型或指标来判定球员表现颠簸和成功的连续发生是否随机；
  
• 创建一个模型来预测势头的变化，并探索其与角逐特定因素（如选手状态、角逐关键节点等）的关系，判定哪一个最关键；
  
• 提出能够量化势头的指标，基于这些指标预测不同角逐的势头趋势，并讨论模型的实用性和可靠性。
  
• 向教练提供关于“势头”作用的发起，以及如何让球员应对在网球角逐中影响角逐流程的事件。
  

题目假设

好的假设是数学化的陈述+合理的表明，例如队伍2418251提出每局角逐中的势头是离散的。
   

​
   还有队伍2425454提出当队员得分，会得到“激励结果”，从而增长得分概率。识别并合理化任何（以及所有）建模假设，这是建模过程中必要的要求。
   

​
  仅仅为了满足流程而要求出现的简单陈述并不被看好，例如“假设所给数据是真实准确的”、“假设选手的角逐目标是得胜”。
   评委意见：建模假设必要进行讨论和评估，可以通过敏感性分析和模型测试来证明模型的适当性和充实性。  AI的利用

是否可以直接用AI来进行建模和编程？答案是否定的。
   评委意见：与通过偕行评审确保质量控制并增强结果可信度的研究不同，AI生成的结果在这方面是未经验证和不受束缚的。
  

因此，在妥善引用AI的同时，还应对结果进行验证。然而，美赛时间原来就紧张，再去对AI结果进行验证，可能会成为时间陷阱。
在角逐中利用AI的队伍，大多为了办理4个方面的内容：

• 改善段落或句子的表达；
  
• 查抄或发起小型步调代码段；
  
• 帮助识别相关的文献来源；
  
• 提议关于如何开始建模网球势头概念的方法。
  

例如，队伍2401919接纳AI明确定义、生成小段示例代码、提出办理题目的发起。

数据处理

数据预处理

拿到数据集后首要工作便是数据预处理，必要评估数据的有效性，处理非常值和缺失值。

 

以本次数据会合speed_mph参数为例，通过散点图可以明显看出有数据非常，可以接纳删除数据点、滑动窗口均匀等方法进行处理。
利用软件或呆板学习求解

   MCM评委很不推荐接纳“全盘灌输”式的软件求解方法和直接将呆板学习的结果合理化为角逐中的势头及其变化的方法  数学建模是为了表现创造性和批判性思维，通过蛮力和偶尔性找到有效建模方法，抑或将呆板学习方法以“黑箱”方式利用，都缺乏对模型参数选择原因的讨论，纵然在最后利用这些方法进行jiacha或敏感性分析，也只是为了表明所做选择是合理的。
   评委意见：如果要选用呆板学习的方法，最好选择一种可以在少量假设条件下最佳应用的呆板学习方法，并在之后逐步放宽这些假设，以提升模型的真实性能和可靠性。这种方法能够更好地表现团队的技能能力和建模思维。  队伍2403774便很好地利用了神经网络。该队伍首先利用贝叶斯在线拐点检测方法预测出拐点所在区间，接着接纳时序卷积网络（TCN）进行准确预测，同时针对网球角逐的特点，进行有意义的改进，设计出多阶段时序卷积网络（MSTCN）来整合多个时间尺度的角逐信息，以进行模型预测。

通过查阅文献逐步进行建模

在撰写论文时，应表现构建模型的过程，从而反映出参赛人员对于题目标理解，更符合评委的胃口。
通过查阅可靠专业来源，先识别可能构成“势头”的信息性要素；接着依赖这些数据，接纳线性或非线性的方法进行建模，构建动态表达式。不同的动态表达式取决于队伍的选择，而且都有研究文献的支持。
   评委意见：动态表达式的方法更符合数学建模的理念，能够更有效地表明每个术语在最终表达式中的构建过程及其意义。  队伍2409404通过线性表达式，量化势头，并画出角逐过程中势头的变化曲线。
任务一：构建反映局势流动的模型

题目所给的数据集很巨大，提供了丰富的潜在数据元素来表现势头及其在网球角逐中的变化。因此，必要从中进行选择，构建数据子集，淘汰复杂度。
   评委意见：传统的TOPSIS（与理想解的贴近度排序法）模型由于依赖于主观指标权重，会显著影响结果。因此，主因素分析（PCA）成为一种客观的分析方法，用于降低数据维度。  例如，队伍2401919接纳PCA-TOPSIS模型开发了一个全面的球员表现评估体系。首先得出所有因素的相关系数矩阵，盘算特征值；接着从中挑选出6个具有最大的特征值的因素作为主因素决议矩阵；最后盘算特征值在所有特征值中的占比，得出因素权重。

   数据降维有许多种方法：主因素分析（PCA）、线性判别分析（LDA）、奇异值分解（SVD）、自回归积分滑动均匀（ARIMA）和熵。  任务二：判定“势头”在角逐中是否起作用

这道题的本质和2023年美赛C题类似，现实上就是判定第一问模型的结果和现实角逐结果的比力：如果二者相近，则“势头”在角逐中起作用，否则不起作用。于是，可以利用假设检验等一系列方法进行求解和判定。
阅读剩余内容点这里，包罗
评委对势头预测模型的评价如何？评委是否认可神经网络、XGBoost等黑盒方？。
其他队伍如何创建势头预测模型？在这个题目中评委最看重哪些部分？
对模型准确性验证在评分中占比大吗？
敏感性分析是否必要？获奖论文如何进行敏感性分析？
评委给出的获奖论文的必要条件有哪些？
以及文末要点总结。
如果你觉得内容还不错，可以点击链接阅读全文
2024年美赛C题评委文章及O奖论文解读 | AI工具如何影响数学建模？从评委和O奖论文出发-O奖论文做对了什么？

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。