2023 “华为杯” 中国研究生数学建模竞赛（F题）深度剖析 |
您所在的位置：网站首页 › 研究生数学建模竞赛试题 › 2023 “华为杯” 中国研究生数学建模竞赛（F题）深度剖析 |
2023 “华为杯” 中国研究生数学建模竞赛（F题）深度剖析
|
F题代码+思路
当大家面临着复杂的数学建模问题时，你是否曾经感到茫然无措？作为2021年美国大学生数学建模比赛的O奖得主，我为大家提供了一套优秀的解题思路，让你轻松应对各种难题。 让我们一起看看研赛的F题呀！全文都已放出哦~ 问题重述1.如何利用双偏振雷达的数据有效改进强对流降水的短临预报?要求建立可以提取双偏振雷达数据中的微物理特征信息的模型,进行0-1小时的降水预报。 2.当前一些数据驱动模型存在“回归到均值”的问题,生成的强降水预报往往过于模糊。要求在问题1的基础上,设计模型以生成更真实、更丰富细节的降水预报结果。 3.要求利用雷达反射率Z_H和差分反射率Z_DR,建立模型进行定量降水估计,即利用这两个变量预测降水量。 4.要求设计模型来评估双偏振雷达数据对强降水预报的贡献,并通过优化数据融合策略,与其他数据源集成,以提高强降水检测与预报的准确性。 1.输入输出设计 输入: X = X t − 9 , . . . , X t X=Xt−9 ,...,Xt X=Xt−9,...,Xt 其中 X t ∈ R H × W × C Xt ∈RH×W×C Xt∈RH×W×C表示时刻t的雷达图像,H、W为高度和宽度,C为通道数。 输出: Y = Y t + 1 , . . . , Y t + 10 Y^=Y^t+1,...,Y^t+10 Y=Yt+1,...,Yt+10 其中 Y t ∈ R H × W Y^t ∈RH×W Yt∈RH×W表示时刻t的预测 Z H Z_H ZH。 2.卷积特征提取 使用卷积层提取输入的局部特征: F = f ( [ X ; Θ f ] F=f([X;Θf ] F=f([X;Θf]) 其中f表示卷积运算, Θ f \Theta_f Θf为卷积层参数。 3.卷积LSTM建模时空相关性 4.转置卷积上采样 Y = f T ( [ H ; Θ T ] ) Y^=fT([H;ΘT ]) Y=fT([H;ΘT]) 其中 f T f^T fT表示转置卷积,H为卷积LSTM输出特征, Θ T \Theta_{T} ΘT为转置卷积参数。 5.损失函数设计 代码： import tensorflow as tf from tensorflow.keras.layers import ConvLSTM2D, Conv2D, Conv2DTranspose # 输入层 inputs = tf.keras.Input(shape=(10, 128, 128, 3)) # 卷积层提取特征 x = Conv2D(filters=64, kernel_size=3, activation='relu')(inputs) x = MaxPooling2D((2, 2))(x) from tensorflow.keras.layers import ConvLSTM2D, Conv2D, Conv2DTranspose, Attention from tensorflow.keras import Model inputs = Input(shape=(10, 128, 128, 3)) # 第一层卷积 x = Conv2D(64, 3, padding='same', activation='relu')(inputs) # 第二层卷积 x = Conv2D(64, 3, padding='same', activation='relu')(x) # 第一层卷积LSTM x = ConvLSTM2D(64, 3, padding='same', return_sequences=True)(x) # 第二层卷积LSTM x = ConvLSTM2D(64, 3, padding='same', return_sequences=True)(x) # 注意力机制 # 利用一个Dense层学习注意力权重 attn_layer = Dense(units=64, activation='tanh')(x) # 计算注意力权重 attn_weights = Dense(units=10, activation='softmax')(attn_layer) # 尺度注意力权重 attn_weights = Reshape((10, 1, 1, 1))(attn_weights) # 计算注意力输出 attn_output = Multiply()([x, attn_weights]) # 转置卷积上采样 # 第1层转置卷积 x = Conv2DTranspose(filters=64, kernel_size=3, strides=2, padding='same')(attn_output) # 第2层转置卷积 x = Conv2DTranspose(filters=32, kernel_size=3, strides=2, padding='same')(x) # 第3层转置卷积 x = Conv2DTranspose(filters=1, kernel_size=3, strides=2, padding='same')(x) # 构建Model model = Model(inputs, x) # 编译与训练 model.compile(loss='mae', optimizer='adam') model.fit(X_train, y_train, epochs=10) # 预测 y_pred = model.predict(X_test) # 编译与训练 model.compile(loss='mae', optimizer='adam') model.fit(X_train, y_train, epochs=10) # 预测 y_pred = model.predict(X_test)
问题二 1.构建multi-scale的预报模型 在卷积LSTM模型中,同时预测不同尺度的Z_H:·低分辨率Z_H:反映大尺度的降水格局 ·高分辨率Z_H:反映小尺度的降水细节2.加入先验约束 根据气象知识,加入对强降水的先验约束,例如:·强降水具有聚集性 ·细胞运动遵循流场 ·生命期分不同发展阶段 可以将这些先验知识以约束条件加入模型。 3.模型集成 使用多个不同的模型,对其各自的预报结果进行融合。 4.数据增强 通过旋转、翻转、添加噪声等来增强训练数据,提高模型的鲁棒性。 5.模型和训练策略优化 改进模型结构,调整损失函数,优化训练超参等。 from tensorflow.keras.layers import Input, ConvLSTM2D, UpSampling2D from tensorflow.keras.models import Model inputs = Input(shape=(10, 128, 128, 1)) # 低分辨率预测分支 x1 = ConvLSTM2D(filters=32, kernel_size=3, padding='same', return_sequences=True)(inputs) x1 = BatchNormalization()(x1) # 加入BN层 x1 = ConvLSTM2D(filters=32, kernel_size=3, padding='same')(x1) x1 = Conv2D(filters=1, kernel_size=1, padding='same')(x1) # 高分辨率预测分支 x2 = ConvLSTM2D(filters=64, kernel_size=3, padding='same', return_sequences=True)(inputs) x2 = BatchNormalization()(x2) x2 = ConvLSTM2D(filters=64, kernel_size=3, padding='same')(x2) x2 = UpSampling2D(size=(2,2))(x2) # 双线性插值上采样 x2 = Conv2D(filters=1, kernel_size=1, padding='same')(x2) # 合并不同尺度 merged = Add()([x1, x2]) merged = BatchNormalization()(merged) # BN层融合不同分支 # 编译与训练 model.compile(loss='mse', optimizer='adam')
思路： 1.输入输出设计 输入:雷达反射率
Z
H
Z_H
ZH 和 差分反射率
Z
D
R
Z_DR
ZDR输出:预测降水量R 2.建立Z-R关系
R
=
a
∗
Z
H
b
∗
Z
D
R
c
R = a * Z_H^b * Z_DR^c
R=a∗ZHb∗ZDRc其中a,b,c为经验参数。 将问题转换为确定这三个参数。 3.参数确定 收集观测数据:从多个地区和多种降水类型收集大量三元组数据(Z_H, Z_DR, R)。 数据预处理:去除误差较大的样本,检查数据质量。标准化Z_H和Z_DR。 拟合参数:构建损失函数
L
=
∑
i
=
1
N
(
R
^
i
−
R
i
)
2
L
=
∑
i
=
1
N
(
R
i
−
R
i
)
2
\mathcal L=\sum_{i=1}^N(\hat R_i-R_i)^2L=∑i=1N (R^i −Ri )2
L=∑i=1N(R^i−Ri)2L=∑i=1N(Ri−Ri)2,其中
R
^
i
=
a
Z
H
i
b
Z
D
R
i
c
R
i
=
a
Z
H
i
b
Z
D
R
i
c
\hat R_i=aZ_{H_i}^bZ_{DR_i}^cR^i =aZHi b ZDRi c
R^i=aZHibZDRicRi=aZHibZDRic 。使用梯度下降算法学习参数a,b,c以最小化损失函数。 4.模型选择:比较不同的幂指数组合,选择拟合效果最佳的一组参数。模型检验 收集独立测试数据:保证训练数据和测试数据的地区和降水类型有所不同。 测试集预测:将测试数据Z_H和Z_DR代入学到的Z-R关系,生成降水预测
R
^
\hat R
R^。 评估指标:计算RMSE、MAE等检验预测效果。绘制散点图比较
R
^
\hat R
R^和R。 模型改进:比较不同区域和降水类型的预测效果,分析原因,进一步优化模型。 极端情况验证:使用极端降雨情况下的数据验证模型的适用范围和稳健性。 代码： import numpy as np from sklearn.metrics import mean_squared_error # 收集并预处理观测数据 zh = [12, 15, 13, ...] # 反射率因子Z_H zdr = [0.8, 1.2, 0.7, ...] # 差分反射率Z_DR r = [10, 25, 12, ...] # 实测降水量R # 定义Z-R关系,初始化参数 def zr_relation(zh, zdr, a, b, c): return a * zh**b * zdr**c # 使用最小二乘法拟合参数 def train(zh, zdr, r, a, b, c): preds = [zr_relation(z, zd, a, b, c) for z,zd in zip(zh, zdr)] loss = mean_squared_error(r, preds) # 参数初始化 a, b, c = 0.01, 1.4, 0.9 # 梯度下降函数 def grad_descent(zh, zdr, r, a, b, c, lr=0.01, epochs=100): for i in range(epochs): # 计算损失函数 preds = [zr_relation(z, zd, a, b, c) for z, zd in zip(zh, zdr)] loss = np.mean((preds - r)**2) # 计算梯度 a_grad = 2 * np.mean((preds - r) * preds * (a ** (b-1)) * (c ** (c-1))) b_grad = 2 * np.mean((preds - r) * preds * (np.log(z) * a ** b * (c ** c))) c_grad = 2 * np.mean((preds - r) * preds * (np.log(zd) * a ** b * (c ** (c-1)))) # 参数更新 a = a - lr * a_grad b = b - lr * b_grad c = c - lr * c_grad return a, b, c # 拟合参数 a, b, c = grad_descent(zh, zdr, r, a, b, c) # 模型评估 zh_test, zdr_test, r_test = ... # 测试数据 preds_test = [zr_relation(z, zd, a, b, c) for z, zd in
Y ^ 0 = f ( X 0 ; θ 0 ) \hat{Y}_0 = f(X_0; \theta_0) Y^0=f(X0;θ0) 其中 X 0 X_0 X0为单偏振Z_H, θ 0 \theta_0 θ0为模型参数, Y ^ 0 \hat{Y}_0 Y^0为预测。 评估模型Y ^ 1 = f ( X 1 ; θ 1 ) \hat{Y}_1 = f(X_1; \theta_1) Y^1=f(X1;θ1) 其中 X 1 X_1 X1包含Z_H、Z_DR、K_DP, θ 1 \theta_1 θ1为参数, Y ^ 1 \hat{Y}_1 Y^1为预测。 模型评估R M S E 0 = 1 n ∑ i = 1 n ( Y i − Y ^ 0 i ) 2 RMSE_0 = \frac{1}{n}\sum_{i=1}^{n}(Y_i - \hat{Y}_{0i})^2 RMSE0=n1∑i=1n(Yi−Y^0i)2 R M S E 1 = 1 n ∑ i = 1 n ( Y i − Y ^ 1 i ) 2 RMSE_1 = \frac{1}{n}\sum_{i=1}^{n}(Y_i - \hat{Y}_{1i})^2 RMSE1=n1∑i=1n(Yi−Y^1i)2 比较 R M S E 0 RMSE_0 RMSE0和 R M S E 1 RMSE_1 RMSE1。 注意力机制融合Y ^ = ∑ i = 1 m α i f i ( X i ; θ i ) \hat{Y} = \sum_{i=1}^{m}\alpha_i f_i(X_i; \theta_i) Y^=∑i=1mαifi(Xi;θi) 学习权重 α i \alpha_i αi,自适应地融合不同数据源 X i X_i Xi的预测。 import tensorflow as tf from tensorflow.keras import layers, models # 1. 构建基准模型 inputs_zh = layers.Input(shape=(10, 64, 64, 1)) conv_zh = layers.Conv2D(32, 3)(inputs_zh) lstm_zh = layers.LSTM(32)(conv_zh) outputs_zh = layers.Dense(64*64)(lstm_zh) base_model = models.Model(inputs_zh, outputs_zh) # 2. 构建增强模型 inputs_dual_pol = layers.Input(shape=(10, 64, 64, 3)) conv_dual_pol = layers.Conv2D(32, 3)(inputs_dual_pol) lstm_dual_pol = layers.LSTM(32)(conv_dual_pol) outputs_dual_pol = layers.Dense(64*64)(lstm_dual_pol) enhanced_model = models.Model(inputs_dual_pol, outputs_dual_pol) # 3. 模型训练 # 载入数据 X_train, X_test = load_data() # 数据预处理 X_train = normalize(X_train) X_test = normalize(X_test)更多完整版看这里： (5 封私信 / 2 条消息) 如何评价2023数学建模研赛F题？ - csdn |
【本文地址】
今日新闻 |
推荐新闻 |