2023年华为杯研究生数学建模竞赛辅导

2023年华为杯研究生数学建模竞赛辅导

各研究生培养单位：

中国研究生数学建模竞赛作为教育部学位管理与研究生教育司指导，中国学位与研究生教育学会、中国科协青少年科技中心主办的"中国研究生创新实践系列大赛"主题赛事之一，是一项面向在校研究生进行数学建模应用研究与实践的学术竞赛活动，是广大在校研究生提高建立数学模型和运用互联网信息技术解决实际问题能力，培养科研创新精神和团队合作意识的大平台。

经竞赛组委会研究决定，2023年第二十届中国研究生数学建模竞赛由东南大学承办。该项赛事在其二十周年之际回到她的诞生之地，意义非凡。

本届竞赛参赛对象是中国（含港澳台地区）高校、研究所的在读研究生（硕士生、博士生）和将于2023年9月入学的研究生（硕士生、博士生），以及国外大学在读研究生和国内大学在读留学研究生。

希望各研究生培养单位大力宣传、组织动员、积极鼓励本单位研究生报名参赛。现就2023年第二十届中国研究生数学建模竞赛的具体安排通知如下：

一、参赛报名

（一）参赛单位报名

1. 请各参赛单位指定负责老师作为联系人，负责本单位研究生的参赛组织工作，保持与承办单位的联系交流（咨询电话：025-52090587）。

2. 本届赛事参赛报名、培养单位审核、参赛缴费、作品提交等均在中国研究生创新实践系列大赛官方网站(以下简称"研创网") https://cpipc.acge.org.cn/上进行。2022年及以前参加过中国研究生数学建模竞赛的研究生培养单位，沿用之前的用户名和密码。2023年新增研究生培养单位，通过此链接（https://cpipc.acge.org.cn/login/applyUniversityLinkman）申请单位账号，完成账户创建。

3.请各参赛单位联系人以"培养单位+部门（院系）+姓名"加入"中国研究生数学建模竞赛，跟踪大赛流程及交流咨询。

（二）参赛团队报名

研究生组队参赛（每队人数3人，专业不限）。除2023级研究生外，其他年级研究生不允许跨校、跨单位组队参赛。参赛同学请登录"研创网"注册账号，并由队长报名参赛。参赛团队报名起止时间为：2023年6月1日8:00至2023年9月17日17:00。

二、参赛单位审核

请参赛单位联系人定期登录"研创网"，履行本单位管理职责，完成本单位报名参赛人员的参赛资格审核工作（含本单位研究生担任跨校混合组队队长，3名成员均为2023级研究生新生的参赛队），审核起止时间为：2023年6月1日8:00至2023年9月18日17:00。

三、参赛团队缴费及发票获取方式

1. 参赛报名费每队300元，若单位统一缴费，请参赛单位联系人登录"研创网"，完成网上缴费；若参赛队单独缴费，请队长本人登录"研创网"，完成网上缴费。

2. 报名参赛队需在参赛队伍审核通过后进行缴费，网上缴费起止时间为：2023年6月1日8:00至2023年9月19日17:00。

3. 缴费成功后，请参赛队登录系统查看缴费状态。

4.参赛队缴费完成后，若单位统一缴费，请参赛单位联系人登陆"研创网"，点击【资格审核通过团队管理】界面下的【数学建模大赛交费电子票据】按钮进入电子票据查看页面，点击页面中的链接可查看并下载电子票据；若参赛队单独缴费，请队长本人登陆"研创网"点击【我的赛事】界面下的【电子票据】按钮进入电子票据查看页面，点击页面中的链接可查看并下载电子票据。

四、竞赛时间及方式

1. 竞赛时间：竞赛定于2023年9月22日8:00至2023年9月26日12:00举行。

2. 试题下载与校验：各参赛队队长可于9月21日8:00起登录"研创网"，下载"试题ZIP包",同时下载竞赛指定的"MD5码校验工具"，校验"试题ZIP包"。

3. 试题解密与论文编写：各参赛队队长于2023年9月22日8:00，登录"研创网"查看试题解压密码，解密试题，使用《竞赛论文标准文档》编写竞赛论文。

4."竞赛系统"论文提交：各参赛队队长使用指定的"MD5码校验工具"，生成pdf格式竞赛论文的MD5识别码，于9月26日12:00以前，登录"研创网"提交论文MD5识别码。2023年9月26日14:00至9月27日24:00，登录"研创网"上传pdf格式竞赛论文。

5. 竞赛纪律：竞赛期间，指导教师不得与参赛选手进行任何形式的赛题交流；参赛队不得与队外任何人讨论赛题内容（包括网上）。参赛研究生培养单位应尽力为队员提供必要的竞赛条件，督导参赛队员遵守竞赛纪律。

6. 违规处理：参赛队员必须遵守科学道德与学术规范，引用文献必须注明来源。竞赛专家委员会将对所有论文进行相似度检测，相似度高于某阈值（由专家委员会确定）或相互雷同的论文，一般直接判定为"违规论文"，必要时进行人工判断。引用他人程序也需明确标注引用来源，否则按抄袭认定为"违规论文"。组委会将严肃处理参赛学生的违规行为，取消其获奖（包括成功参赛奖）资格，对于情节严重者将处理结果通报其所在培养单位。

五、奖项设置

竞赛设立一、二、三等奖、企业专项奖、"数模之星"冠亚季军、"数模之星"提名奖、成功参赛奖、优秀组织单位、突出贡献、先进个人等奖项。其中一、二、三等奖获奖队数原则上不超过参赛队总数的1.5%、13%、20%。国（境）内外参赛队分开评奖,具体数量由组委会根据参赛情况确定。专家委员会可从获得一等奖队伍中择优遴选参加"数模之星"决赛答辩会。答辩得分前三名队伍将获得"数模之星"冠亚季军，未进入前三名的答辩队伍获"数模之星"提名奖。

六、竞赛结果公示与颁奖大会

竞赛组委会将于2023年11月中下旬在"研创网"公示竞赛结果并发布拟获奖名单；2023年12月中旬，在东南大学举行第二十届中国研究生数学建模竞赛"数模之星"决赛现场答辩会和颁奖大会。

服务项目包括但不限于：
  竞赛思路指导： 深入剖析比赛题目，为你提供启发式的解题思路和方法。
  模型求解支持： 在研究建模过程中，我将与你密切合作，提供实时的解决方案支持。
  报告写作辅导： 为你提供报告撰写的技巧和范例，让你的论文脱颖而出。
  获奖策略分享： 分享我的成功经验，助你获得更多竞赛荣誉。
  参与辅导，你将获得的优势：
  专业经验： 我在数学建模领域有着丰富的经验和深入的知识储备，能够为你提供准确、高效的指导。

代码示例

import os,math
from tensorflow.keras.layers import Dropout, Dense, SimpleRNN
from sklearn.preprocessing   import MinMaxScaler
from sklearn                 import metrics
import numpy             as np
import pandas            as pd
import tensorflow        as tf
import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
data = pd.read_csv('./datasets/SH600519.csv')  # 读取股票文件
training_set = data.iloc[0:2426 - 300, 2:3].values  
test_set = data.iloc[2426 - 300:, 2:3].values
sc           = MinMaxScaler(feature_range=(0, 1))
training_set = sc.fit_transform(training_set)
test_set     = sc.transform(test_set) 
x_train = []
y_train = []

x_test = []
y_test = []

"""
使用前60天的开盘价作为输入特征x_train
    第61天的开盘价作为输入标签y_train
    
for循环共构建2426-300-60=2066组训练数据。
       共构建300-60=260组测试数据
"""
for i in range(60, len(training_set)):
    x_train.append(training_set[i - 60:i, 0])
    y_train.append(training_set[i, 0])
    
for i in range(60, len(test_set)):
    x_test.append(test_set[i - 60:i, 0])
    y_test.append(test_set[i, 0])
    
# 对训练集进行打乱
np.random.seed(7)
np.random.shuffle(x_train)
np.random.seed(7)
np.random.shuffle(y_train)
tf.random.set_seed(7)
x_train, y_train = np.array(x_train), np.array(y_train) # x_train形状为：(2066, 60, 1)
x_test,  y_test  = np.array(x_test),  np.array(y_test)

"""
输入要求：[送入样本数， 循环核时间展开步数， 每个时间步输入特征个数]
"""
x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
x_test  = np.reshape(x_test,  (x_test.shape[0], 60, 1))
model = tf.keras.Sequential([
    SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。
    Dropout(0.1),                         #防止过拟合
    SimpleRNN(100),
    Dropout(0.1),
    Dense(1)
])
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
              loss='mean_squared_error')  # 损失函数用均方误差
history = model.fit(x_train, y_train, 
                    batch_size=64, 
                    epochs=20, 
                    validation_data=(x_test, y_test), 
                    validation_freq=1)                  #测试的epoch间隔数

model.summary()
predicted_stock_price = model.predict(x_test)                       # 测试集输入模型进行预测
predicted_stock_price = sc.inverse_transform(predicted_stock_price) # 对预测数据还原---从（0，1）反归一化到原始范围
real_stock_price = sc.inverse_transform(test_set[60:])              # 对真实数据还原---从（0，1）反归一化到原始范围

# 画出真实数据和预测数据的对比曲线
plt.plot(real_stock_price, color='red', label='Stock Price')
plt.plot(predicted_stock_price, color='blue', label='Predicted Stock Price')
plt.title('Stock Price Prediction by K同学啊')
plt.xlabel('Time')
plt.ylabel('Stock Price')
plt.legend()
plt.show()

个性化辅导： 我会根据你的实际情况量身定制学习计划，帮助你充分发挥优势，弥补短板。
  实时支持： 在competition期间，我将与你保持密切联系，及时解答疑问，确保你的进展顺利。
  成功保障： 我的指导将大大增加你在竞赛中获胜的几率，让你更接近成功荣誉！
  不论你是想找到竞赛的解题思路，还是希望夺得荣誉，我跟我的团队都能提供最专业的指导和最贴心的支持。让我们携手并肩，一同迎接数学建模的挑战，开创属于你的辉煌篇章！期待着与你合作，为你的未来助力！

如果你有任何疑问或需要帮助，请随时通过底部方式联系我