目录
-
-
- 0、引言
- 一、摘要
- 二、引言
-
- [2.1 问题背景](#2.1 问题背景)
- [2.2 问题重述](#2.2 问题重述)
- [2.3 问题分析](#2.3 问题分析)
- [2.4 核心方法文献综述（可选但加分）](#2.4 核心方法文献综述（可选但加分）)
- [2.5 全文创新点和思路图](#2.5 全文创新点和思路图)
- 三、数据预处理与可视化
-
- [3.1 数据缺失值检测与处理](#3.1 数据缺失值检测与处理)
- [3.2 数据分类/编码（如有必要）](#3.2 数据分类/编码（如有必要）)
- [3.3 数据描述性统计](#3.3 数据描述性统计)
- [3.4 坐标转化/数据标准化（如需）](#3.4 坐标转化/数据标准化（如需）)
- [3.5 关键变量可视化](#3.5 关键变量可视化)
- 四、问题1模型（具体问题具体命名）
-
- [4.1 模型假设](#4.1 模型假设)
- [4.2 符号说明](#4.2 符号说明)
- [4.3 主要模型简介](#4.3 主要模型简介)
- [4.4 模型求解与结果分析](#4.4 模型求解与结果分析)
- [4.5 模型改进/敏感性分析（加分项）](#4.5 模型改进/敏感性分析（加分项）)
- [4.6 本章小结](#4.6 本章小结)
- 五、问题2模型（通常是核心得分点）
-
- [5.1 模型假设（如有新假设）](#5.1 模型假设（如有新假设）)
- [5.2 数据整合与指标定义](#5.2 数据整合与指标定义)
- [5.3 模型简介](#5.3 模型简介)
- [5.4 数据可视化分析](#5.4 数据可视化分析)
- [5.5 模型求解与结果分析](#5.5 模型求解与结果分析)
- [5.6 模型检验](#5.6 模型检验)
- 六、问题3模型（预测类问题）
-
- [6.1 模型简介](#6.1 模型简介)
- [6.2 模型求解](#6.2 模型求解)
- [6.3 模型评价与选择](#6.3 模型评价与选择)
- [6.4 预测结果](#6.4 预测结果)
- 七、问题4（建议/策略类）
-
- [7.1 当前状态描述](#7.1 当前状态描述)
- [7.2 基于模型的训练建议](#7.2 基于模型的训练建议)
- [7.3 不同措施下的预期效果](#7.3 不同措施下的预期效果)
- 八、模型优缺点与讨论
- 九、参考文献
- 十、附录
- 提炼出来的核心写作原则
-
0、引言
本文给出了数学建模论文的完整框架，供大家参考。
一、摘要
写法要点：最后一页写，但放在最前面。评委先看这里。
【模板结构】
- 背景引入（1句）：题目相关的时代背景或数据依据
- 本文做了什么（2-3句）：从数据出发，用了什么方法，解决什么问题
- 各问核心结论 （每个问题1-2句）：
- 问题1：用了什么方法，得到什么关键数值结果
- 问题2：找出哪些因素，系数分别是多少
- 问题3：比较了哪些模型，最优模型是哪个，预测值是多少
- 问题4：给出什么建议，能达到什么效果
- 关键词：3-5个，涵盖模型名+核心方法
二、引言
2.1 问题背景
- 政策文件引用（如《教育强国建设规划纲要》）
- 说明AI技术在该领域的应用价值
- 点到为止，不要超过半页
2.2 问题重述
- 用自己的话重新叙述题目要求
- 不要照抄原题
- 以"现从数据驱动出发，完成以下任务："引出4个问题
2.3 问题分析
- 每一问单独一段 ，格式：
- "针对问题1，首先...其次...最后..."
- 说明解题思路而不是具体结果
- 体现逻辑递进：问题1的输出是问题2的输入
2.4 核心方法文献综述（可选但加分）
- 2-3个核心方法，每个方法配1-2篇参考文献
- 写法：谁在哪一年做了什么改进/应用
- 证明你不是凭空造模型，有依据
2.5 全文创新点和思路图
- 创新点 ：3条左右，每条以"创新1/2/3"加粗开头
- 写法：摆脱了XX传统模式，从数据驱动 角度研究；结合了统计学习的可解释性 和机器学习的高精度
- 思路图：用Visio/PPT画一张流程图，放在这一节末尾
三、数据预处理与可视化
这一节是国赛论文的"基本功展示区"，评委很看重。
【模板结构】
3.1 数据缺失值检测与处理
- Step 1：将异常值（如0）替换为NA
- Step 2：用R/Python包可视化缺失分布
- Step 3：用插值方法（线性插值/均值填充）填补
- 配图：处理前/后对比图（左-右或上-下）
3.2 数据分类/编码（如有必要）
- 例如：将33个节点按身体部位分类（头/上肢/躯干/下肢）
- 用表格呈现分类规则
3.3 数据描述性统计
- 关键变量的Min/Q1/Median/Mean/Q3/Max
- 表格格式：三线表
3.4 坐标转化/数据标准化（如需）
- 说明为什么要转化（如"为了更贴近现实，使可视化更直观"）
- 给出转化公式
3.5 关键变量可视化
- 按类别画逐帧轨迹图（垂直/水平方向）
- 配图+文字描述：从图中观察到什么规律
- 结论写在"本章小结"中
四、问题1模型（具体问题具体命名）
例如本文的"基于变点检测的起跳落地识别"
【模板结构】
4.1 模型假设
- 3-5条，以"假设1/2/3"开头
- 每条假设在后面确实用到了
4.2 符号说明
- 表格形式：符号 | 含义 | 取值范围（含单位）
4.3 主要模型简介
- 介绍核心方法的原理（1段+核心公式）
- 如果是改进方法，说明改进点在哪里
4.4 模型求解与结果分析
- 展示模型输出的关键结果
- 配图+配表
- 对结果进行文字解读：这个数值意味着什么
4.5 模型改进/敏感性分析（加分项）
- 说明原始模型有什么不足
- 给出改进思路和理由
- 展示改进前后的对比
4.6 本章小结
- 用"（1）（2）（3）"列出本章核心结论
五、问题2模型（通常是核心得分点）
例如本文的"基于回归预测的跳远成绩成因分析"
【模板结构】
5.1 模型假设（如有新假设）
5.2 数据整合与指标定义
- 这是问题2最容易被忽视但最重要的工作 ：
- 说明数据来源不同（附件3、附件4），如何合并（表连接）
- 说明自定义的指标是什么（如起跳角度、摆臂幅度），如何计算
- 给出计算过程（如"起跳角度用余弦定理计算，取起跳前后20帧的最小值"）
5.3 模型简介
- 2-3个核心模型，每个介绍原理（1段+公式）
- 说明：为什么选这个模型（优点是什么）
5.4 数据可视化分析
- 箱线图：对比调整前后的指标变化
- 相关性热图：展示变量之间关系
- 每条图配结论（如"结论1：调整后X变量明显增加"）
5.5 模型求解与结果分析
- 展示模型输出结果（系数表）
- 解释每个显著变量的实际含义
- 区分：哪些变量影响成绩水平 （均值），哪些影响成绩稳定性（方差）
5.6 模型检验
- 残差图、Q-Q图、位置尺度图、残差-杠杆图
- 说明模型是否满足正态性、线性、同方差假设
- 指出强影响点（如果有）
六、问题3模型（预测类问题）
例如本文的"基于机器学习的运动员成绩预测"
【模板结构】
6.1 模型简介
- 列出2-4个对比模型（如：最小二乘、随机森林、SVM、决策树）
- 每个模型给核心原理（1段+关键公式）
6.2 模型求解
- 如有调参，展示调参轨迹图（如随机森林的误差随树数量变化图）
- 展示各模型的预测曲线对比图
6.3 模型评价与选择
- 用MSE/RMSE/MAE/MBE等指标比较各模型
- 加粗最优指标
- 说明选择最优模型的理由
6.4 预测结果
- 各模型预测值对比表
- 加粗最终采用的预测值
- 给出最终结论
七、问题4（建议/策略类）
例如本文的"运动员训练提升建议"
【模板结构】
7.1 当前状态描述
- 用表格展示目标对象的所有关键指标
7.2 基于模型的训练建议
- 每条建议对应一个模型结论
- 格式："建议1/2/3"
- 建议要有可操作性（不是空话）
7.3 不同措施下的预期效果
- 分别预测"调整姿势/增加摆臂/提高垂直高度/提高基础代谢"后的成绩
- 用表格对比
八、模型优缺点与讨论
【模板结构】
- 优点表格：模型名称 | 优点 | 缺点 | 适用数据类型
- 缺点说明：1-2条诚实的缺陷（如样本量小、数据混杂）
九、参考文献
- 格式统一（GB/T 7714）
- 包含：教材、期刊论文、软件引用
- 软件引用格式示例：
Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)
十、附录
- 附录A：补充可视化（正文放不下的图）
- 附录B：完整数据表（正文只放示例）
- 附录C：预测结果明细
- 附录D：核心代码（按章节分，每个代码块标注文件名和用途）
- 附录E：支撑材料列表（文件名+文件说明）
提炼出来的核心写作原则
| 原则 | 说明 |
|---|---|
| 每章必有小结 | 用（1）（2）（3）列出核心结论，方便评委快速抓取 |
| 图不白画 | 每张图下面都要有1-2句解读，说明"从图中观察到什么" |
| 表不白列 | 每个表都要在正文中引用并解释 |
| 模型不白用 | 每个模型都要说明"为什么选它"和"它回答了什么问题" |
| 摘要照应全文 | 摘要中提到的每个结果，正文里都能找到对应位置 |
| 假设不白设 | 每条假设在后面都要用上 |