数学建模竞赛论文怎么写？完整可复现的建模流程实战拆解

一篇合格的竞赛论文，靠的不是“降重技巧”，而是完整可复现的建模链路。很多参赛团队拿到华数杯、国赛这类题目时，第一反应是找往年的优秀论文、找申报书模板、研究怎么降低查重率。但真正走到最后、拿到高奖次的队伍，把精力花在了一件事上：把从数据到结论的每个环节都做成“可复现的技术流程”。判断一篇论文是否合格，评委看重的也是你能否把问题分析、数据处理、模型构建、结果验证和论文写作串成一条逻辑闭环。本文不讨论任何应付查重的捷径，而是从实战角度拆解一套能直接用于华数杯等建模竞赛的完整建模流程，并给出可在本地跑通的代码示例。如果你正打算备战数学建模竞赛，建议认真读一遍。

1. 建模竞赛论文的本质问题

一个高奖项论文与普通作业论文的差距，往往不在模型有多高级，而在“工程化程度”和“表达效率”这两个维度。

工程化程度指的是：你的数据是否有依据地清洗过？特征是否经过筛选？模型是否有多组对照？结果的稳定性是否验证过？很多队伍把大量时间花在调一个复杂模型上，却忽略了对数据本身的审视，最后模型跑不动、结果不合理，论文写起来也没有底气。这是建模竞赛最常见的失败路径。

表达效率指的是：评委面对几百份论文，每篇的阅读时间极其有限。如果你的图表信息密度低、公式推导缺失、关键假设不清晰，哪怕模型做得不错，也容易被低看。换句话说，论文不是把代码和输出粘贴上去，而是把“为什么这样做、依据是什么、结果说明什么”讲清楚。

所以，下面这篇文章要认真讲清楚：从拿到题目到最终提交，完整的一条技术链路是什么。我们会从环境准备、数据处理、模型构建、结果验证到论文写作，逐步拆解，并提供一个可运行的 Python 示例，保证每一步都有代码、有输出、有检查方式。

2. 数学建模核心概念与 C 题常见风格

2.1 什么是数学建模竞赛题

数学建模竞赛的本质是“用数学语言描述实际问题，用算法工具求解问题，用可视化方式呈现结论”。竞赛题目通常分成几类：优化类、预测类、评价类、分类与聚类类。不同类别对应的核心能力不同。

• 优化类：给定约束条件，求某个目标的最优解，常用线性规划、整数规划、启发式算法。
• 预测类：根据历史数据预测未来变化，常用回归分析、时间序列、机器学习模型。
• 评价类：对多个方案、多个对象打分排序，常用层次分析法、熵权法、TOPSIS。
• 分类与聚类类：对样本进行分组或归类，常用决策树、随机森林、K-Means 等。

C 题在多数比赛中偏向数据处理与预测/评价方向。它的特点是：数据量大、字段杂、背景贴近经济或社会热点，求解难度不一定很高，但“把数据处理好”这一步往往占整个工作量的 40% 以上。很多队伍最终失败，不是因为模型不会选，而是因为数据没处理清楚。

2.2 建模论文与普通技术文章的区别

建模论文不是实验报告，也不是算法源码解析。它需要遵循“问题重述—问题分析—模型假设—符号说明—模型建立—模型求解—结果分析—模型评价—结论与展望”的基本框架。这个框架的目的是让评委在最短时间内找到你的思路线，而不是在代码里翻答案。

其中最容易忽视的是“模型假设”和“符号说明”。没有明确假设的模型是不可复现的，没有符号说明的公式是难读懂的。论文写作中需要做“降维表达”：把复杂的代码结果转成清晰的结果表，把多张图像合并成关键结论图，把算法步骤写成结构化文字。

2.3 数学建模竞赛的硬技能清单

想真正完成一道 C 题，以下技能是必须的：

1. Python 基础语法和 pandas 数据处理能力。
2. 数据可视化能力：matplotlib / seaborn。
3. 回归、聚类、时间序列等常用模型的调用能力。
4. 论文排版能力：Word 公式编辑器或 LaTeX。
5. 团队协作和版本管理能力，防止最终稿文件混乱。

值得提醒的是，这些技能不需要全部精通才能参赛，但至少需要做到“可以快速查文档完成最小可用版本”。下面我们从环境准备开始搭建这条链路。

3. 环境准备与常用工具链

3.1 运行环境建议

建模竞赛一般要求在 72 小时内完成。为了不把时间消耗在环境问题上，建议在比赛开始前就把环境配置到位。以下是一个稳妥的组合：

• 操作系统：Windows 10/11 或 Ubuntu 20.04+；建议统一到同一套环境。
• Python：3.9 或 3.10，不要使用过新或过旧的版本，避免某些库不兼容。
• 编辑器：VS Code 或 PyCharm。两个都可以，但团队内建议统一。
• 包管理：pip 或 conda。如果涉及大量科学计算库，conda 更省心。

版本细节建议以团队实际环境为准，下面的示例代码基于通用语法编写，不依赖特殊版本的库。重点演示的是思路，配合任何合理的 Python 3 环境都能运行。

3.2 核心 Python 库安装

在终端执行以下命令，按需安装依赖：

pip install numpy pandas scikit-learn statsmodels matplotlib seaborn openpyxl

这些库的分工是：

• numpy：数组和矩阵运算，几乎是最底层依赖。
• pandas：数据读取、清洗、聚合，建模前的主力工具。
• scikit-learn：机器学习模型，包括回归、分类、聚类、预处理等。
• statsmodels：统计建模，适合回归分析和时间序列分析。
• matplotlib / seaborn：画图，生成论文中的关键图表。
• openpyxl：读取和写入 Excel 格式，很多竞赛附件都是 Excel。

安装完成后运行一段验证代码：

import pandas as pd from sklearn.linear_model import LinearRegression import matplotlib.pyplot as plt print("pandas", pd.__version__) print("sklearn imported ok") print("matplotlib imported ok")

如果这些代码能正常执行，说明基础环境已经可用。

3.3 项目目录结构规划

竞赛和真实项目一样，最忌讳“所有文件堆在一个文件夹”。推荐在比赛一开始就建立一个清晰的目录结构：

competition_project/ ├── data/ # 原始数据与中间数据 ├── code/ # 所有 Python 代码 ├── output/ # 输出图表与结果 ├── paper/ # 论文与参考文献 └── README.md # 团队分工与进度记录

在data目录内再区分raw和processed，避免把清洗后的数据覆盖原始数据。最终论文中的所有图表，统一用心良苦地放在output目录下，方便写论文时快速引用。

4. 核心流程拆解：从数据到论文的五个阶段

建模竞赛的核心流程可以拆成五个阶段：数据探索、数据清洗、模型构建、结果验证、论文写作。这五个阶段不是线性走一遍就结束的，实际过程中会反复迭代。我们把每个阶段的目标说清楚。

4.1 阶段一：数据探索

拿到数据后不要立刻建模，先做探索性数据分析（EDA）。目标是回答以下问题：

• 数据的行数、列数是多少？
• 每一列的数据类型是什么？是数值还是字符串？
• 缺失值有多少？占比高不高？
• 各列的量纲差异大不大？
• 目标变量（如果存在）的分布形态是什么样？
• 特征之间是否存在明显相关性？

对应代码：

import pandas as pd import numpy as np df = pd.read_csv("data/raw/sample_data.csv") print("数据形状:", df.shape) print("\n前5行:") print(df.head()) print("\n数据类型:") print(df.dtypes) print("\n缺失值统计:") print(df.isnull().sum()) print("\n描述性统计:") print(df.describe())

这段代码虽然简单，却是整个建模流程中最重要的一步。做完这一步，你会对数据质量有一个基本判断。如果缺失值超过 30%，可能需要考虑删除该列或者用更复杂的插补方法；如果某些列是身份证号、订单号这类唯一标识，直接删除；如果某些列是中文分类字符串，后续需要做编码转换。

4.2 阶段二：数据清洗

数据清洗的目标是让数据满足模型输入的基本要求。经典操作包括：缺失值处理、异常值处理、类型转换、特征编码、标准化。

缺失值处理有几种常见策略：

• 如果某列缺失比例极高，直接删列。
• 如果缺失比例低，用均值、中位数或众数填充。
• 如果数据存在时间序列特性，用前向填充或插值。

异常值处理一般通过箱线图或 3σ 原则识别。需要注意的是，不要机械地删除异常值，很多业务场景下异常值本身就是有效信息。

下面是一个典型的数据清洗代码示例：

# 删除全部为空的列 df = df.dropna(axis=1, how="all") # 填充数值列的缺失值，使用中位数 num_cols = df.select_dtypes(include=np.number).columns for col in num_cols: df[col] = df[col].fillna(df[col].median()) # 填充分类列的缺失值，使用众数 cat_cols = df.select_dtypes(include="object").columns for col in cat_cols: df[col] = df[col].fillna(df[col].mode()[0]) # 删除不需要的唯一标识列 if "id" in df.columns: df = df.drop(columns=["id"]) # 对数值特征做标准化 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() df_scaled = df.copy() df_scaled[num_cols] = scaler.fit_transform(df[num_cols])

这里的“标准化”特别重要。像线性回归、KNN、聚类这类模型，对特征的量纲非常敏感。如果不做标准化，数值范围大的特征会主导模型的训练过程，导致结果失真。

4.3 阶段三：模型构建

模型选择取决于任务类型：

• 预测连续值，先试线性回归，再看是否需要随机森林回归或 XGBoost。
• 预测分类标签，先试逻辑回归，再对比随机森林。
• 聚类任务，先用 K-Means，结合肘部法则确定 K 值。
• 评价排序任务，考虑 TOPSIS 或熵权法。

建模阶段最重要的不是直接上一个复杂模型，而是建立“基线模型”。基线模型是后续所有优化的比较基准。比如面对预测任务，可以先求目标变量的均值作为预测结果，计算这个简单模型下的误差。后续所有模型都必须比这个基线有显著改进，否则说明数据特征本身就有问题。

4.4 阶段四：结果验证

结果验证是为了回答“你的模型结果可信吗”这个问题。常见做法是划分训练集和测试集，计算评估指标。回归任务常用 RMSE、MAE、R²；分类任务常用准确率、精确率、召回率、F1；聚类任务常用轮廓系数。

一定要用训练集训练模型、测试集计算指标，而不是用同一份数据又训又测。否则会出现“过拟合”的假象：训练集上的准确率很高，但测试集上一塌糊涂。

4.5 阶段五：论文写作

论文写作要在比赛前中期就启动，而不是最后 5 小时才开始。建议第一天完成“问题重述、问题分析、模型假设”的初稿；第二天完成“数据探索结果、模型建立过程”的草稿；第三天重点补充结果分析和模型评价。写作期间发现的逻辑缺口，反过来指导建模过程的补充和修正。

5. 完整示例：一份销售预测建模实战

下面用一个具体示例，把上面四个阶段串起来。假设题目给了一份某电商平台的历史销售数据sales_data.csv，包含以下字段：

• date：日期
• store_id：门店编号
• category：商品品类
• sales_amount：销售额
• promotion_flag：是否有促销（0/1）
• customer_count：客流量

任务是预测未来一天的销售额sales_amount。

5.1 数据读取与探索

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 文件路径按实际位置调整 df = pd.read_csv("data/raw/sales_data.csv", parse_dates=["date"]) print(df.info()) print(df.describe()) print(df.head())

运行后，你会看到数据形状和缺失情况。这里假设数据没有缺失，日期格式正确。

5.2 特征工程

原始数据中的日期列不能直接输入模型，需要拆成年、月、日、星期几等特征。促销标记已经是 0/1 编码，可以直接使用。门店编号和品类是分类特征，需要做独热编码。

# 日期特征拆解 df["year"] = df["date"].dt.year df["month"] = df["date"].dt.month df["day"] = df["date"].dt.day df["weekday"] = df["date"].dt.weekday # 删除原始日期列 df = df.drop(columns=["date"]) # 对分类特征做独热编码 df_encoded = pd.get_dummies(df, columns=["store_id", "category"], drop_first=True) print(df_encoded.shape) print(df_encoded.head())

这里使用drop_first=True是为了避免多重共线性问题。如果不设置，独热编码后的特征之间会存在完全共线性，直接影响线性回归模型的解释性。

5.3 划分训练集和测试集

建模前必须划分数据。时间序列数据有一个特殊性：不能随机打乱后划分，因为时间顺序本身有信息。这里按时间前 80% 作为训练集、后 20% 作为测试集。

X_all = df_encoded.drop(columns=["sales_amount"]) y_all = df_encoded["sales_amount"] # 按时间顺序划分，假设行本身按日期排列 train_size = int(len(X_all) * 0.8) X_train, X_test = X_all.iloc[:train_size], X_all.iloc[train_size:] y_train, y_test = y_all.iloc[:train_size], y_all.iloc[train_size:] print("训练集大小:", X_train.shape) print("测试集大小:", X_test.shape)

注意：这里为什么不用 sklearn 的train_test_split？因为时间序列数据强调的是顺序性，使用随机划分会引入“未来信息泄露”，导致模型评估过于乐观。这一点在论文的模型评价部分可以专门写一段，体现你们的思考深度。

5.4 建立模型

先用线性回归作为基线模型，再用随机森林回归对比。

from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # 基线模型：线性回归 lr = LinearRegression() lr.fit(X_train, y_train) y_pred_lr = lr.predict(X_test) # 对比模型：随机森林回归 rf = RandomForestRegressor(n_estimators=200, random_state=42, n_jobs=-1) rf.fit(X_train, y_train) y_pred_rf = rf.predict(X_test) def evaluate_model(y_true, y_pred, model_name): mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) r2 = r2_score(y_true, y_pred) print(f"{model_name} -> MAE: {mae:.2f}, RMSE: {rmse:.2f}, R²: {r2:.4f}") evaluate_model(y_test, y_pred_lr, "LinearRegression") evaluate_model(y_test, y_pred_rf, "RandomForest")

这里随机森林设置了random_state=42，保证结果可复现。在竞赛论文中，固定随机种子是一个很容易获得评委好感的小细节，它体现的是工程素养。

5.5 特征重要性分析

对于树模型，可以直接输出特征重要性排序，这在论文的“模型分析”部分是很好的素材：

feature_importance = pd.DataFrame({ "feature": X_train.columns, "importance": rf.feature_importances_ }).sort_values("importance", ascending=False) print(feature_importance.head(10))

运行结果会告诉你哪些特征对销售额的影响最大。比如“是否有促销”和“客流量”的重要性排在前列，这就为业务解释提供了方向。

5.6 可视化输出

论文中图表的质量直接影响阅读体验。下面生成预测值与实际值的对比图，并保存到文件：

plt.figure(figsize=(10, 6)) plt.plot(y_test.values[:100], label="Actual", marker="o", markersize=3) plt.plot(y_pred_rf[:100], label="Predicted", marker="x", markersize=3) plt.xlabel("Sample Index") plt.ylabel("Sales Amount") plt.title("Actual vs Predicted (Random Forest)") plt.legend() plt.tight_layout() plt.savefig("output/model_compare.png", dpi=200) plt.show()

图表建议全部使用矢量图或者高分辨率位图，dpi 至少 150。另一点是标签一定要写清楚，x 轴、y 轴、图例、标题缺一不可。评委不一定有时间细读你的每个模型细节，但一定会扫一眼图表是否专业。

6. 运行结果与效果验证

6.1 预期输出

在示例数据上运行上述代码，你会看到类似下面的输出：

训练集大小: (2180, 25) 测试集大小: (545, 25) LinearRegression -> MAE: 103.25, RMSE: 157.30, R²: 0.8421 RandomForest -> MAE: 67.88, RMSE: 105.42, R²: 0.9135

这说明随机森林在测试集上相比线性回归有明显提升。RMSE 从 157.30 降到 105.42，R² 从 0.84 提升到 0.91。这个结果在论文写作中可以作为“模型对比分析”的核心依据。

6.2 如何判断成功

判断建模成功不能只看 R²。还需要关注：

1. 模型在训练集和测试集上的表现差距大不大。如果训练集 R² 接近 1，但测试集 R² 明显偏低，说明过拟合了。
2. 残差是否存在明显模式。如果残差随预测值增大而增大，说明模型可能漏掉了某些关键特征。
3. 业务解释是否合理。特征重要性排序是否符合业务直觉，如果不合理，需要回到数据检查，而不是强行接受黑盒结果。

6.3 失败时的排查顺序

如果代码报错，先看异常信息本身；如果是建模效果差，按以下顺序排查：

1. 数据清洗是否完整：缺失值是否处理好，有没有异常值干扰。
2. 特征是否有效：可以先用相关性热力图观察特征与目标变量的相关程度。
3. 模型是否过于简单：基线模型效果差是正常的，关键对比的是复杂模型的增量。
4. 是否发生数据泄露：检查是否存在未来信息进入训练集的情况。
5. 随机种子是否固定：不固定随机种子会导致每次结果不同，难以定位问题。

7. 常见问题与排查方法

问题现象	可能原因	排查方式	解决方案
pandas 读取 Excel 报错	缺少 openpyxl 引擎	查看错误信息尾部提示	执行 pip install openpyxl
数据中有大量缺失值	原始数据采集不完整	用 df.isnull().sum() 统计各列缺失比例	按比例决定删除或填充
模型效果极差	特征没有编码或标准化	打印特征形状和值分布	对分类特征编码，对数值特征标准化
训练集效果很好但测试集差	过拟合或数据泄露	检查特征中是否包含目标变量相关的高阶信息	简化模型、增加正则化或重新检查特征
多次运行结果不一致	没有固定随机种子	查看模型参数中随机种子	给所有模型设置 random_state，固定 numpy 随机种子
图表中文显示为方块	matplotlib 默认字体不支持中文	查看图中文字是否乱码	配置中文字体，或改图表文字为英文
输出文件路径找不到	没有先创建 output 目录	查看保存路径	使用 os.makedirs("output", exist_ok=True) 创建目录
时间序列划分用了随机切分	忽视时间顺序	检查训练集和测试集是否存在时间交叉	改为按时间顺序划分

这些坑几乎每个建模队伍都会遇到至少一个。建议比赛前用模拟数据完整跑一遍流程，提前规避这些问题，而不是在比赛期间花时间排查。

8. 最佳实践与工程建议

8.1 用版本管理组织团队协作

很多队伍最终提交的文件叫“最终版_新_最终版2.docx”，这是非常危险的习惯。竞赛期间代码和文档频繁修改，强烈建议用 Git 管理。哪怕只配置一个 GitHub 私有仓库，也能大幅减少文件冲突。

每次修改的提交信息要写清楚：feat: 增加促销特征、fix: 修复日期解析错误。这比“改了一下”有价值得多。

8.2 固定随机种子与数据版本

随机种子固定是建模工程的基本习惯，但在竞赛环境中更值得做的是“固定数据版本”。数据处理脚本每次运行都应该生成同样的中间数据文件，这样不同队员之间可以对比同一个数据版本下的结果。推荐在data/processed/目录下保存带日期的文件：

data/processed/ ├── train_features_v1.csv ├── test_features_v1.csv └── data_preprocess_log.txt

如果后续修改了清洗逻辑，就生成 v2 版本，而不是覆盖原文件。这样能重新回溯“这个结果是在哪个数据版本上跑出来的”。

8.3 论文写作要有“证据链”

优秀论文的显著特征是每个结论都有依据。不要说“促销显著提高了销售额”，而要说“促销期平均销售额为 1523 元，非促销期为 987 元，差异显著（t=4.32, p<0.05），随机森林特征重要性排序中促销特征排第 2 位”。

这种“结论 + 数据 + 统计检验”的表达方式，在评委眼里就是专业。我们不一定需要高深的统计知识，但至少要学会用describe()、t 检验或特征重要性来支撑自己的判断。

8.4 时间规划建议

72 小时的大致分配：

• 第一天上午：阅读题目、检索文献、确定思路。
• 第一天下午：数据探索与清洗。
• 第一天晚上：完成论文“问题重述、问题分析、模型假设”初稿。
• 第二天：建模、调参、结果验证。
• 第二天晚上：论文主体部分写作，图表插入。
• 第三天：模型评价、灵敏度分析、论文润色。
• 第三天晚上：查漏补缺、格式检查、提交。

这样安排的好处是：论文不是最后集中突击出来的，而是与建模过程同步推进的。即使第三天突然发现结果有问题，也有充足时间调整。

8.5 安全与伦理提醒

在建模竞赛中，使用公开数据和合理算法是完全合规的。但如果使用了网上直接下载的代码，要确认代码是否有版权限制；如果使用了往年的论文，要注意不要直接复制粘贴，而是理解其思路后用自己的语言重新表达。竞赛是学术训练的一部分，认证抄袭不仅无益，还可能造成停赛等严重后果。模型结果要确保来源可追溯，数据文件、代码脚本、输出图表都保留完整记录，这样即使赛后被问询，也有完整的证据链。

9. 总结与后续学习方向

现在再从整体回看这条链路：数据探索解决“数据长什么样”的问题，数据清洗解决“模型能否直接使用”的问题，模型构建解决“如何把数据变成结论”的问题，结果验证解决“结论是否可信”的问题，论文写作解决“评委如何快速理解你的结论”的问题。任何一环缺失，论文的竞争力都会明显下降。

这篇文章中给出的代码可以直接用在本地的示例数据上，也可以改造成竞赛数据。建议赛前找一道往年 C 题完整做一遍流程，要求自己产出一篇 10 页以上的论文，这样才能在正式比赛中不被流程问题拖住。

后续值得继续深入的方向包括：时间序列分析的专业库（statsmodels、prophet）、集成学习调参（XGBoost、LightGBM）、模型可解释性分析（SHAP）、灵敏度分析与稳健性检验。这些都是能让论文从“能用”提升到“出彩”的工具。

最终提醒一句：一份获奖论文真正说服评委的，不是查重率够不够低，而是从问题到数据、从数据到模型、从模型到结论的每一步都经得起追问。把这套工程流程练熟，你不需要任何“限量版论文”，也能写出自己的获奖论文。