2024年MathorCup数模竞赛C题问题一二+部分代码分享_2024mathorcupc题代码

问题一

问题一要求对未来30天每天及每小时的货量进行预测。首先，利用混合ARIMA-LSTM模型进行时间序列预测。ARIMA模型擅长捕捉线性特征和趋势，而LSTM模型处理非线性关系和长期依赖。通过结合这两种模型，可以提高预测精度。具体步骤包括：

1. 建立ARIMA模型，通过差分运算和ARMA模型组合来处理时间序列数据。
2. 建立LSTM模型，利用其长短期记忆能力处理复杂的时间序列模式。
3. 结合ARIMA和LSTM模型的预测结果，通过自适应混合算法调整权重，以提高预测准确性。
   
   

问题二

问题二要求在考虑运输线路改变的前提下，对未来30天每天及每小时的货量进行预测。解决方法涉及建立神经网络模型和聚类算法。具体步骤包括：

1. 利用K-means算法对分拣中心的货量进行聚类，以理解不同类型货物的分布规律。
2. 建立BP神经网络模型，通过特征选取和网络训练，预测货量变化。
3. 基于聚类和BP神经网络的预测结果，分析运输线路变化对货量的影响，并通过回归图和折线图直观展示货量变化情况。

代码

混合ARIMA-LSTM模型构建

clc
clear
close all;
load('appendix1.mat') %读入附件1
mape_record = [];
W_record = [];
pre_record = [];
for c=1:size(appendix1,2) % 遍历每一个分拣中心
    data = appendix1{1,c}; %将分拣中心另存出来
    train_num = 5; %用几期的值作为参考来训练权重
    %% 下面是ARIMA计算权重
    [y_train_ARIMA]=ARIMA(data(1:end-train_num,3),train_num); 
    y_ture_ARIMA = data(end-train_num+1:end,3);
    wmape_ARIMA = sum(abs(y_train_ARIMA-y_ture_ARIMA)./y_ture_ARIMA);
    % 下面计算MAPE
    APE_ARIMA = abs(y_ture_ARIMA - y_train_ARIMA) ./ abs(y_ture_ARIMA);  
    MAPE_ARIMA = mean(APE_ARIMA);
    %% 下面是LSTM计算权重
    ref = 30; %参考历史的多少期
    [y_train_LSTM]=LSTM(data(1:end-train_num,3),ref,train_num);
    y_ture_LSTM = data(end-train_num+1:end,3);
    wmape_LSTM = sum(abs(y_train_LSTM-y_ture_LSTM)./y_ture_LSTM);
    % 下面计算MAPE
    APE_LSTM = abs(y_ture_LSTM - y_train_LSTM) ./ abs(y_ture_LSTM);  
    MAPE_LSTM = mean(APE_LSTM);
    %% 下面计算权重
    W_ARIMA = (1/wmape_ARIMA)/((1/wmape_ARIMA)+(1/wmape_LSTM));
    W_LSTM = 1-W_ARIMA;
    W_record(c,1) = data(1,1); %记录id
    W_record(c,2) = W_ARIMA; %记录ARIMA的MAPE
    W_record(c,3) = W_LSTM; %记录LSTM的MAPE
    %% 下面记录MAPE
    mape_record(c,1) = data(1,1); %记录id
    mape_record(c,2) = MAPE_ARIMA; %记录ARIMA的MAPE
    mape_record(c,3) = MAPE_LSTM; %记录LSTM的MAPE
    %% 下面正式预测
    pre_step = 30; %预测未来多少期的值
    % ARIMA
    [pre_ARIMA]=ARIMA(data(:,3),pre_step); 
    % LSTM
    [pre_LSTM]=LSTM(data(:,3),ref,pre_step);
    % 混合
    pre = pre_ARIMA*W_ARIMA + pre_LSTM*W_LSTM;
    pre_record(1,c) = data(1,1); %记录id
    pre_record(2:1+pre_step,c) = pre; %记录预测值
end
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

完整数据与代码

第一问

第二问