简介：这份资源汇集了2023年美国大学生数学建模竞赛C题的完整备赛材料，面向准备参加美赛或各类数学建模竞赛的学生与指导教师。包内包含赛题分析、数据处理、模型构建与论文写作等多维度的参考内容，尤其适合需要快速了解C题建模思路、学习数据清洗与回归聚类方法，以及规范论文排版的读者。资源共208个文件，涵盖pdf论文与参考文献、xlsx数据表、docx建模笔记、png图表、txt代码说明、sav与csv统计文件等，压缩包总大小约59.42MB，类型丰富，便于按需查阅与二次学习。目前已有176人在线学习，具有一定的参考价值。透过这些资料，可系统梳理从数据预处理（如滑动窗口平滑、单词难度计算）到聚类分析（K-Means）、回归拟合及模型验证的完整流程，还能借鉴第三问模型、公式推导及Word文档写作的具体实现方式，为独立完成同类赛题提供有力支撑。
1. 2023年美国大学生数学建模竞赛C题：它到底在考什么，熬夜建模前先想清楚
2023年美国大学生数学建模竞赛C题给的不是复杂物理方程，也不是海量传感器数据，而是一张按天记录的Wordle游戏结果表。你要预测未来每天有多少人玩、多少人用Hard模式，还要解释为什么人数会波动。很多队拿到题就冲上去套时间序列模型，结果三天三夜全耗在调参上，最后评委一问“为什么选这个模型”就卡壳。这道题真正考的是两件事：把人类行为拆成可解释的特征，以及用对验证方式。适合想打美赛拿奖的本科生，也适合刚接触时序预测、想知道“预测人的行为”和“预测机器指标”差在哪的从业者。
2. 从赛题数据到第一份洞察：C题给的数据里，哪几个字段才是真正的信号
2.1 原始数据长什么样：先别建模，先做三次拆分
2023年C题的数据是Wordle在某个时间段内按天汇总的统计表。常见字段至少包括日期、局数编号、当日词汇、当日报告人数、Hard模式报告人数，以及结果分布类字段。以赛题实际提供的版本为准，但多数队伍都会按下面这套思路整理。
| 字段 | 类型 | 价值判断 |
|---|---|---|
| Date | 日期 | 时间序列的索引，必须转成datetime |
| Contest Number | 整数 | 单调递增，适合做生命周期趋势项 |
| Word | 文本 | 可以挖难度特征，但通常不是主要变量 |
| Number of Reports | 整数 | 主预测目标之一 |
| Number in Hard Mode | 整数 | 主预测目标之二，常以占比形式使用 |
拿到表的第一件事不是画折线图，而是做三次拆分。第一，把日期拆到星期维度，看周内规律。Wordle是很多人通勤或摸鱼时玩的，周一和周五的人气往往明显不一样。第二，把局数编号拆成趋势项，看游戏生命周期。Wordle在数据覆盖期内整体热度是往下走的，但中间可能因为新闻事件出现尖峰。第三，把“骤升点”单独拉出来和新闻事件对照。这个动作的价值会在写论文的建模动机部分体现出来。
import pandas as pd df = pd.read_csv("wordle_results.csv", parse_dates=["Date"]) df["dow"] = df["Date"].dt.dayofweek # 周一=0，周日=6 df["trend"] = df["Contest Number"] # 局数编号作为趋势 df["weekend"] = (df["dow"] >= 5).astype(int) # 周末标记 print(df.groupby("dow")["Number of Reports"].mean())这段代码做完，你会看到星期哑变量的均值差。如果周内差异超过百分之十，就说明星期效应不能忽略。trend列不要直接塞进模型后就完事，它的分布形状决定了你要用线性还是对数趋势。
2.2 预测目标不是“人数”而是“百分比误差”：先搞懂评价函数再决定策略
这道题的评价指标不是RMSE，而是平均绝对百分比误差MAPE。MAPE的计算方式是：对每一天，计算真实值与预测值之差的绝对值，除以真实值，再求平均、乘100%。这意味着同样相差100人，在玩家数3000的天里误差是3%，在玩家数300的天里误差是33%。所以模型必须优先保住“低人气日”的预测精度，而低人气日恰好容易出现在周末和节假日。
能不能用RMSE代替MAPE做训练？可以，但分数不会太好。RMSE对大误差敏感，会把力气花在修正几个尖峰日上；MAPE则惩罚的是“相对偏差”，更贴合赛题。因此常见做法是以log1p之后的目标做回归，让模型在指数尺度上缩小相对误差，再把预测结果做expm1还原。还有一个很实在的坑：如果真实值本身接近零，MAPE会瞬间变大，所以预测值必须被限制在一个正数下限以上。
import numpy as np from sklearn.metrics import mean_absolute_percentage_error y_true = np.array([12000, 8000, 3500, 900]) y_pred = np.array([11000, 8200, 3000, 700]) print(mean_absolute_percentage_error(y_true, y_pred)) def mape_clip(y_true, y_pred, floor=100): y_pred = np.maximum(y_pred, floor) return np.mean(np.abs(y_true - y_pred) / y_true) * 100这里对预测值加了一个下限，避免把很冷清的一天预测成接近零。floor=100是一个经验值，你可以按数据量级调整。用这个函数做最终评估，比直接调用库函数更能反映赛题场景。
2.3 两个必须处理的数据缺口：缺失的日期和零报告
Wordle官方数据偶尔会出现某一天没有记录的情况。直接删掉会让时间序列不连续，滞后特征错位。零报告比缺失更隐蔽：不是没人玩，而是当天数据没入库。如果放任不管，模型会学到“某天突然归零”，导致滞后特征全部被污染。
处理时先区分“真零”和“假零”。真零在数据里几乎不存在，因为Wordle这种全民级游戏不会真的没人玩。遇到疑似零值，先看前后几天。前后都是正常量级，中间一个零，那八成是缺数。常见补法是用前一天和后一天的平均值，或者直接做线性插值。做插值要放在构造滞后特征之前，否则shift出来的窗口里全是脏数据。这个顺序性很强，见过有队伍先造特征再清洗，结果回填值被当成真实波动，模型直接翻车。
3. 先跑通一个能拿分的基线方案：线性回归把星期效应和生命周期放进同一张表
3.1 为什么不直接上Prophet、LSTM或XGBoost
美赛C题不是Kaggle排位赛，评委看的是“你有没有想清楚为什么这样做”。Prophet能跑，但它的趋势、节假日和季节项对评委来说是个黑匣子。LSTM更是吃力不讨好，几百行数据训练深度模型，方差大、可解释性差。XGBoost能拟合得很漂亮，但特征重要性一出来，评委追问“为什么这个特征排第一”时很难答。线性回归加手工特征的组合，是这道题性价比最高的开局：每个特征你都能解释来源，每个系数都能转成一句业务结论。
最朴素的一组特征就能拿到一个能看的基线：星期几哑变量、局数编号、滞后7天的平均报告人数。这三样分别对应人类行为中的周规律、生命周期、惯性。别贪多，先让这组特征跑通全流程。
3.2 最小特征集代码：构建特征、拟合、评价
import pandas as pd import numpy as np import statsmodels.api as sm df["log_reports"] = np.log1p(df["Number of Reports"]) # 滞后7天均值：只使用过去信息，不做未来泄漏 df["last7"] = ( df["Number of Reports"] .shift(1) .rolling(7, min_periods=1) .mean() ) # 星期哑变量 dow_dummies = pd.get_dummies(df["dow"], prefix="dow", drop_first=True).astype(int) X = pd.concat([ dow_dummies, df[["trend", "last7"]].reset_index(drop=True) ], axis=1) y = df["log_reports"] # 去掉头部有NaN的行 mask = X.notna().all(axis=1) & y.notna() X, y = X[mask], y[mask] X = sm.add_constant(X) model = sm.OLS(y, X).fit() print(model.summary())shift(1)是为了使用“前一天”的信息，rolling(7, min_periods=1)计算的是过去7天的均值，min_periods=1保证早期数据也有值。关键点是mask过滤掉建立窗口时留下的空值，不然sm.OLS会直接报错。输出里的系数解释是：trend系数为负说明游戏热度随局数增加在衰减；last7系数接近1说明玩法有强烈惯性；某个星期哑变量为负说明那天人气低于基准日。
3.3 参数怎么设：趋势用“对数”而不是一根直线
很多队伍把局数编号直接当线性特征扔进模型，结果预测到后期变成负数人群，完全不可信。热度的衰减不会是一条直线到底，更像是对数衰减。用trend_log = np.log(contest_number)替代trend是最简单的修正。另外可以考虑在新闻事件前后加一个分段转折点，事件后的日期标1，事件前标0，这样模型能学到一个结构性变化。
df["trend_log"] = np.log(df["trend"]) df["post_news"] = (df["Date"] > "2022-02-01").astype(int)日期节点要根据你使用的数据版本去选，这里只是一个示例。判断转折点的方法很简单：画一下序列图，找到斜率突变的日期，再结合公开新闻事件做对照。如果你选了多个事件节点，记得检查系数显著性和VIF，避免互相打架。
4. 从基线到能讲故事的模型：滞后特征、滚动验证和可解释性三板斧
4.1 加滞后特征像走钢丝：什么时候该加，什么时候就是数据泄漏
基线里的last7属于滞后特征的一种。它有用，因为用户行为有惯性；它有风险，因为未来预测时要递归生成。训练时你可以用前一天的真实值构造lag1，测试时拿不到这个真实值，只能用前一天的预测值回填。如果不管这一点，验证集上很好看，实际提交后分数崩得很难看。
def rolling_forecast(model, X_hist, n_days=7, lag_col="lag1"): history = X_hist[lag_col].copy() preds = [] for i in range(n_days): X_new = X_hist.iloc[[-1]].copy() X_new[lag_col] = history.iloc[-1] pred = model.predict(X_new)[0] preds.append(pred) history = pd.concat([history, pd.Series([pred])]) return preds这个函数展示了迭代预测的核心逻辑：每一轮都把上一轮的预测值当作最新历史，喂给滞后特征。它是简化版，实际使用时要先冻结外部特征（星期几、趋势），只让滞后部分递归。如果外部特征里有移动平均，同样要存一个历史序列，逐日更新，否则误差会被自己喂大的后悔药害惨。
4.2 用TimeSeriesSplit替代随机K折：序列数据不能洗牌
随机K折在普通回归里没问题，在时间序列里就是泄漏。昨天和今天是强相关的，把今天放进训练集、明天放进测试集，模型等于提前知道了答案。常见做法是TimeSeriesSplit，训练集永远在前，测试集永远在后。下面这段代码中，gap=7是我强烈建议加的：如果特征里用了滞后7天，测试集第一天会用到训练集最后7天的真实值，不设gap就等于间接偷看。
from sklearn.model_selection import TimeSeriesSplit tscv = TimeSeriesSplit(n_splits=5, test_size=7, gap=7) for train_idx, val_idx in tscv.split(X): X_train, X_val = X.iloc[train_idx], X.iloc[val_idx] y_train, y_val = y.iloc[train_idx], y.iloc[val_idx] # 在每个fold上重新拟合模型并记录MAPEtest_size=7对应一周的预测窗口，gap=7对应滞后窗口的边界。不要在小样本上把n_splits设太大，否则每个训练集只有几十行，模型波动会很大。建议至少保证每个训练fold有70天以上数据。
4.3 可解释性输出：把系数换算成“周末人气降了百分之几”这种人话
线性回归的好处是系数可以直接翻译。假设以周一为基准，周日的系数是-0.18，这句话应该写成“周日比周一低约16%”，换算方式是np.exp(-0.18) - 1 ≈ -0.165。如果用了log目标，所有解释都要先过指数函数，不能直接拿系数说“低了0.18”。这种细节在论文里特别加分，评委一看就知道你真的懂模型。
Hard模式占比也可以用同样的方式单独建模。占比是0到1之间的连续变量，直接线性回归可能出现负数。一个常见做法是做logit变换，log(p/(1-p))，预测完再还原。如果还原后某个样本超出[0,1]，就截断到边界。这个模型的系数解释更绕，但结论更清晰：Hard模式占比整体平稳，说明核心玩家群体的复购率很高。
5. C题翻车避坑手册：从数据泄漏到报告重心，五个高频踩坑记录
5.1 随机打乱数据做交叉验证，验证集分数好看，上分就崩
现象：用train_test_split默认方式随机切分，MAPE低得感人，提交后完全对不上。 原因：相邻日期的样本高度相关，模型记住了昨天，而不是学会了规律。 解决：所有验证一律用TimeSeriesSplit，并在构造滞后特征后保留至少7天的gap。
5.2 用“昨天人数”做特征，预测未来7天时拿不到特征值
现象：训练集和验证集都在同一条时间轴上回测，分数不错；换成真正的未来7天，代码直接报错或者预测值千篇一律。 原因：lag1在预测未来时没有真实值可用，而模型已经把这一列当成最强信号。 解决：写一个迭代滚动预测函数，把前一天的预测值当作今天的lag1。不要偷懒，也不要用“和训练集最后一天的真实值”复制粘贴凑数。
5.3 追精度追到黑匣子模型，评委一问就卡壳
现象：某队用XGBoost把验证MAPE压到很低，答辩时被问“为什么这个特征重要”，只能答“特征是模型自动挑的”。 原因：树模型的特征重要性不能直接等价于业务归因，评委不接受黑匣子解释。 解决：即使要用XGBoost，也要同时跑一个线性参照系，把两条路线的趋势方向、星期效应做对照。论文主线讲线性回归，复杂模型放附录当稳健性检验。
5.4 对Hard模式占比用普通线性回归，预测出负数
现象：Hard模式占比预测结果里有-0.05这种值，截断后又出现一堆0和1边界值。 原因：线性回归假设目标服从正态分布，占比变量被强行拉了回来，尾部超界。 解决：改用logit回归，预测前对0.999和0.001做clip，避免log里出现0或1。提交前把边界影响写进附录。
5.5 论文全在堆公式，没有把预测偏差还原成业务故事
现象：评委看完摘要不知道这题到底研究了什么。 原因：全文只写了“我们用了ARIMA”，没有回答“为什么人会少”“是衰减还是事件冲击”。 解决：每一章开头先给结论，例如“周日比周一少15%”“新闻事件带来42%的临时尖峰”。图是辅助，文字里必须有一句明确判断。
6. 收尾：用“预测加复盘”把模型写进论文，并验证它真能用于未来一周
做完模型不验证等于白做。我的习惯是留出最后14天不训练，在滚动窗口上每天预测一次，和真实值画在一起。不是只看一个总体MAPE，而是看误差集中在星期几、是不是某次新闻事件导致整体偏移。这样写进论文，既可以当“模型有效性验证”，也可以顺带展示模型的失败边界。
复盘时还有一个容易忽略的步骤：把“预测差的那几天”单独拎出来，看看当天Wordle单词是不是特别生僻或特别简单。生僻词会让报告基数下降，但Hard模式玩家占比可能会上升。如果你想在论文里加一点点深度，把这组对照做出来，放一个表就行。这不是赛题要求里必须有的东西，但它会让你的模型显得更像“理解人的行为”，而不是在拟合数字。
另外，最终提交的论文里要有敏感性分析一页。我一般会做三个版本：基础线性回归、加滞后特征、加新闻事件哑变量。表格列出滚动验证MAPE，三行数据就能说明每个特征模块贡献了多少。评委看到这种对比，比你写一整页原理更信服。
最后说个教训：有队伍把全部精力花在把MAPE从18%压到17%，结果没有时间写清楚建模假设和验证流程，最后奖项平平。这个比赛评的不是最低误差，而是“讲一个完整可信的故事”。先保证模型每一处选择都有理由，再去优化后面小数点。希望帮到你。
本文还有配套的精品资源，点击获取
