海口网站建设方面,网络优化工程师发展前景,wordpress博客没图片,济南网站建设报价小美赛作为一个与美赛高度相似的比赛#xff0c;通常作为很多队伍的美赛练手赛#xff0c;本次也将尝试帮助大家对A题进行求解#xff0c;希望能够对大家有所帮助。真实的选题人数评估预计明天进行公布
难度 BDCA
选题 ABDC
问题A#xff08;MCM通常作为很多队伍的美赛练手赛本次也将尝试帮助大家对A题进行求解希望能够对大家有所帮助。真实的选题人数评估预计明天进行公布
难度 BDCA
选题 ABDC
问题AMCM太阳黑子预测
A题以太阳黑子为命题背景进行命题。通过题目就可以看出主要就是预测模型对于预测模型大家需要只要一个前提对于预测而言没有对错只有精度高低。现在的市场上对于这个题目其实早就有了答案比如问题一的结束时间下图是中科院应该是的文章。所以本次比赛是带着答案去解问题。要的就是装模做样。 通过题目给出的三个网站以及利用newbing chatgpt进行检索找到了一些可以解题的数据下面是网盘的数据分享链接大家可以参考使用。 数据分享链接https://pan.baidu.com/s/18qt3aV4PzDUF65eP2b_1DQ
提取码sxjm
下面带来每个题目的解题思路
首先收集了数据数据预处理是第一步我们不可能直接拿着数据去做网站可明确说明是存在一定缺失值的。所以对于缺失值甚至于可能存在的异常值需要进行相应的处理。采用线性插值拉格朗日、牛顿差值等进行补充采用3Σ原则、箱型图进行判定异常值。都是需要处理的。切记数据预处理至少有十分的分值设定一定要做相应的处理。 问题一、请预测当前和下一个太阳周期的开始和结束。
该问题是有明确答案的大家可以参考我给出的第一张图中所说的。那么如何装模做样的得出这样的结果的在给出的名字为 问题一周期时长以及 太阳周期最小值最大值 文件中大家可以使用周期长度进行单指标预测即可。 至于预测模型的选择还是那个前提预测模型没有对错只有精度高低。下面是简单给大家罗列了常见的预测模型对于下面这些预测模型选择什么都是对的大家可以根据自己的掌握程度以及喜爱程度进行选择即可。 问题二、请预测下一个太阳周期的太阳最大值的开始时间和持续时间
可以与问题一一样采用最大值或者最小值的数据进行单指标预测也可以使用全指标中引入各种各种各样的指标进行多指标预测。这里就我个人而言更喜欢前者。
YearMonthDayTimeSunspot_GroupAdditional_Code1Group_TypeObserved_Umbral_AreaWhole_Spot_AreaCorrected_Umbral_AreaCorrected_Whole_Spot_AreaSpace1Distance_From_CenterSpace2Position_AngleSpace3Carrington_LongitudeSpace4LatitudeSpace5Central_Meridian_Distance 问题三、预测当前和下一个太阳周期中太阳黑子的数量和面积并在你的论文中解释你的模型的可靠性。
需要预测数量和面积这里两种思路。对于太阳黑子的数量整理的数据集中已经给出了大家直接可以选择预测模型进行预测。主要是对于面积的预测 对于面积来来讲目前我有两种想法
1、 直接使用与问题三太阳黑子数量预测相同的模型进行预测
2、 拟合出黑子数量与面积关系式 直接利用关系式以及数量数据的结果进行面积的评估预测。
目前我将采用使用牛顿插值处理数据集问题一使用arima进行单指标预测问题二使用灰色预测进行单指标预测问题三构架arima、灰色、LSTM预测模型的加权平均预测预测太阳黑子数量构建非线性拟合关系式黑子数量与面积利用黑子数量预测的结果直接得到面积的预测值
使用数据集就是我分享的数据集
数据分享链接https://pan.baidu.com/s/18qt3aV4PzDUF65eP2b_1DQ
提取码sxjm
下面是部分处理数据的代码大家可以参考使用
import pandas as pd# 文件路径
file_path /mnt/data/g1874.txt# 定义列名称和宽度
col_names_pre_1977 [Year, Month, Day, Time, Greenwich_sunspot_group, Group_type_1874_1981, Observed_umbral_area_1874_1981, Whole_spot_area, Corrected_umbral_area, Corrected_whole_spot_area, Distance_from_center, Position_angle, Carrington_Longitude, Latitude, Central_meridian_distance
]col_names_post_1977_pre_1982 [Year, Month, Day, Time, NOAA_USAF_group,Group_type_1874_1981, Observed_umbral_area_1874_1981, Whole_spot_area, Corrected_umbral_area, Corrected_whole_spot_area, Distance_from_center, Position_angle, Carrington_Longitude, Latitude, Central_meridian_distance
]col_names_post_1982 [Year, Month, Day, Time, NOAA_USAF_group,Suffix_to_group_number, Magnetic_group_type, Zurich_McIntosh_group_type, Number_of_spots_in_group, Whole_spot_area, Distance_from_center, Position_angle, Carrington_Longitude, Latitude, Central_meridian_distance
]# 定义列宽
col_widths_pre_1977 [4, 2, 3, 4, 8, 2, 2, 4, 1, 4, 1, 4, 1, 4, 1, 5, 1, 5, 1, 5, 1, 5]
col_widths_post_1977_pre_1982 col_widths_pre_1977 # 同样的列宽
col_widths_post_1982 [4, 2, 3, 4, 8, 1, 3, 4, 4, 1, 4, 1, 5, 1, 5, 1, 5, 1, 5]# 读取不同格式的数据
df_pre_1977 pd.read_fwf(file_path, widthscol_widths_pre_1977, namescol_names_pre_1977, dtypestr)
df_post_1977_pre_1982 pd.read_fwf(file_path, widthscol_widths_post_1977_pre_1982, namescol_names_post_1977_pre_1982, dtypestr)
df_post_1982 pd.read_fwf(file_path, widthscol_widths_post_1982, namescol_names_post_1982, dtypestr)# 根据年份合并数据
df_pre_1977 df_pre_1977[df_pre_1977[Year] 1977]
df_post_1977_pre_1982 df_post_1977_pre_1982[(df_post_1977_pre_1982[Year] 1977) (df_post_1977_pre_1982[Year] 1982)]
df_post_1982 df_post_1982[df_post_1982[Year] 1982]# 合并数据框
df_combined pd.concat([df_pre_1977, df_post_1977_pre_1982, df_post_1982])# 保存为 Excel 文件
excel_path /mnt/data/sunspot_data.xlsx
df_combined.to_excel(excel_path, indexFalse)
