2024年未来杯-高校大数据挑战赛 赛题浅析-快速选题

赛题难度预估: A题:B题=5:3
 选题人数预估: A题:B题=1:4


赛题A：岩石的主动判定

该题主要涉及图像分类任务，核心是基于显微图像数据集对岩石进行分类。标题分为三个部分：  
1.创建沉积岩分类模型（基于颜色、纹理、亮度等特征）。
2.扩展到变质岩、沉积岩、火成岩分类，并优化模型（结合深度学习）。
3.使用改进后的模型对新数据进行测试，并进行细分类辨认。
问题一分析：沉积岩分类模型

-数据：使用南京大学沉积岩教学薄片照片数据集，类别包括火山碎屑岩、砂岩、泥页岩、粉砂岩、灰岩、白云岩、硅质岩、蒸发岩等。
-特征选择：
  -颜色特征：HSV、RGB 直方图，颜色聚类等
  -纹理特征：GLCM（灰度共生矩阵）、LBP（局部二值模式）
  -亮度特征：统计图像亮度分布
-模型选择：
  - 传统方法：SVM、KNN、随机森林
  - 深度学习：CNN（ResNet、EfficientNet等）
-优化方向：
  - 数据增强（旋转、缩放、对比度增强等）
  - 迁移学习（如ResNet等预训练模型）
问题二分析：扩展到三大岩石分类

-数据：完整数据集，包罗变质岩、沉积岩、火成岩。
-方法：
  -直接迁移问题一模型，测试泛化能力。
  -引入深度学习：
    - CNN 进行特征提取，如 ResNet、DenseNet
    - 结合传统特征（颜色、纹理）+ 深度学习特征
  -可能的融合战略：
    - 提取颜色、纹理等特征作为附加输入，与CNN的特征融合（多模态学习）
问题三分析：应用模型进行新数据测试

-步骤：
  1. 先用训练好的模型筛选“沉积岩”类别。
  2. 进一步分类（砂岩、泥页岩等）。
  3. 输出每类岩石数目，填写结果表格。





赛题B：新能源电动汽车的故障预警研究

该题涉实时序数据分析、故障诊断与预测建模，主要挑战是从汗青行驶数据中提取有效信息，并创建有效的预测模型。
问题一分析：数据预处理与统计

-数据内容：
  - 车辆数据（车速、总电压、累计里程等）
  - 电机数据（电机温度、转矩、转速等）
  - 电池数据（单体电压、温度等）
-预处理方法：
  - 缺失值处理（插值、填充等）
  - 非常值检测（箱型图、Z-score、IQR）
-分析方向：
  - 统计 1-9 月故障报警次数（绘制趋势图）
  - 充电和用车规律（基于 SOC、电池温度等数据分析）
问题二分析：探求故障的关键影响因素

-方法：
  - 相关性分析（皮尔逊相关、互信息）
  - 特征选择（随机森林、LASSO回归）
  - 关联规则挖掘（Apriori 算法）
  - 聚类（K-means，HDBSCAN）分析数据模式
问题三分析：故障预警模型

-建模方法：
  - 传统呆板学习（决策树、随机森林、XGBoost）
  - 深度学习（LSTM、GRU 处理时间序列数据）
-模型评估：
  - 交叉验证（K-fold）
  - 评估指标（准确率、召回率、F1分数等）
问题四分析：第10个月的故障预测

-步骤：
  1. 用1-9月数据训练故障预测模型。
  2. 预测第10月的故障时间和品级。
  3. 输出符合要求的预测结果（填入month_10.csv）。
问题五分析：优化发起

-充电发起：
  - 避免过充、过放，优化SOC区间
-用车发起：
  - 控制行驶速度，淘汰大电放逐电
-维护发起：
  - 关注温度变化、提前检测非常情况

 

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。