本届竞赛整体难度约为0.4个国赛，时间很长，非常适合于国赛之前进行练手。本文将为大家带来赛题浅析，以便大家能够快速地熟悉题目，提前预知该题目在后续求解中会遇到什么样的潜在问题。
选题人数预测 A:B=1:1
赛题难度评估 A:B=1:1
初赛A：智慧工厂工业设备传感器数据分析
问题背景：
智慧工厂通过传感器和AI算法实现设备状态监控与预测性维护。任务包括设备故障预测和剩余使用寿命预测。
任务分析：
故障预测（任务A）：
l目标：预测设备在7天内是否会发生故障。
l特征：包括机器编号、运行小时数、温度、振动、声音、油位、冷却液位等。
l建模方法：
Ø分类算法：由于目标是预测是否发生故障，可以使用分类算法（如逻辑回归、随机森林、支持向量机等）进行模型训练。
Ø评估指标：准确率、召回率和F1值。
Ø特征重要性分析：通过模型分析出最重要的特征，例如使用SHAP值或者基于树的模型来提取特征重要性。
剩余使用寿命预测（任务B）：
l目标：预测设备的剩余使用寿命（连续值）。
l特征：使用设备的运行小时数、温度、振动等来预测剩余寿命。
l建模方法：
Ø回归算法：使用回归算法（如线性回归、支持向量回归、随机森林回归等）来预测剩余使用寿命。
Ø评估指标：均方误差（MSE）和决定系数（R²）。
Ø特征重要性分析：通过特征选择算法（如递归特征消除RFE）来分析哪些特征对剩余寿命的预测影响最大。
初赛B：道路路面维护需求综合预测
问题背景：
通过分析道路路面状况，预测是否需要进行维护，提供决策支持。
任务分析：
路面维护需求预测（任务A）：
l目标：预测某条道路是否需要维护（0或1的二分类问题）。
l特征：路段ID、路面状况指数（PCI）、交通量、车辙深度等。
l建模方法：
Ø分类算法：使用分类算法（如逻辑回归、随机森林、支持向量机等）进行预测。
Ø评估指标：准确率、召回率和F1值。
Ø特征重要性分析：通过树模型（如随机森林、XGBoost）来分析各特征的贡献。
特征重要性分析与维护策略优化（任务B）：
l目标：基于预测结果分析特征重要性，并提出维护优先级策略。
l方法：
Ø特征重要性分析：可以使用基于树的模型（如XGBoost）或Shapley值进行特征重要性排序。
Ø优先级划分：根据特征重要性排序，将道路分为不同优先级进行维护（例如，PCI较低且车辙深度较大的路段优先进行维护）。