2026年APMCM亚太杯数模竞赛(中文赛项)A题参考答案发布展会快讯

2026年APMCM亚太杯数模竞赛（中文赛项）A题参考答案发布

出厂水浊度预测与水质达标评估完整解决方案

📋 题目概述

A题：出厂水浊度预测与水质达标评估

基于时间序列水质监测数据（4380个样本×20个特征），建立预测模型评估水质浊度，判断是否符合饮用水标准（NTU≤1.0）。

核心指标：

训练样本：3500个

测试样本：875个

目标变量：NTU浊度值

达标标准：NTU ≤ 1.0

🔍 问题1：特征选择与因素识别

问题描述

从20个特征中识别与出厂水浊度最相关的关键因素，建立特征重要性排序。

✨ 方案对比

#### 方案A：统计相关性多维筛选 (q1a.py / q11_simple.py)

算法：Pearson相关 + Spearman秩相关 + 互信息 + 偏相关

求解过程：

Pearson相关系数：线性相关性分析，考虑正负相关

Spearman秩相关：非线性单调关系捕捉

互信息：非线性依赖关系量化

四维度加权综合：Pearson(0.3) + Spearman(0.25) + MI(0.25) + 偏相关(0.2)

核心结果：

特征排名	特征名称	综合评分
1	FILT. NTU（出厂浊度）	0.3352
2	R/W NTU（原水浊度）	0.2187
3	T/W FLOW（出厂流量）	0.1842
4	CL2（余氯）	0.1456
5	ALUM（明矾剂量）	0.0753

优势：全面多角度评估，综合性强，易于解释

适用场景：特征初筛、规律发现

#### 方案B：树模型特征重要性 (q12_simple.py)

算法：RandomForest + GradientBoosting + XGBoost

求解过程：

RandomForest：基于不纯度（Gini）的特征选择

GradientBoosting：梯度提升中的特征贡献

XGBoost：极限梯度提升的增益排序

三模型平均融合：(RF + GB + XGB) / 3

核心结果：

模型	Top1特征	Top2特征	平均R²
RandomForest	FILT. NTU(0.4291)	R/W NTU(0.1545)	0.674
GradientBoosting	FILT. NTU(0.6379)	CL2(0.1175)	0.702
XGBoost	FILT. NTU(0.4309)	T/W FLOW(0.1356)	0.671
融合结果	FILT. NTU(0.5403)	T/W FLOW(0.1183)	0.682

优势：自动捕捉非线性关系，模型融合结果稳定

适用场景：复杂特征交互识别、业界方案

🤖 问题2：预测模型建立与对比

问题描述

建立多种预测模型，评估各模型对出厂水浊度的预测能力。

✨ 方案对比

#### 方案A：传统机器学习全集合 (q2a.py / q21_model_comparison_traditional.py)

算法：12个模型全覆盖评估

模型清单：

线性模型：LinearRegression, Ridge, Lasso, ElasticNet

树模型：DecisionTree, RandomForest, ExtraTreesRegressor

集成模型：GradientBoosting, AdaBoost, XGBoost

SVM系列：SVR(Linear), SVR(RBF)

核心结果（按测试集R²排序）：

排名	模型名称	测试R²	测试RMSE	测试MAE	5折CV-R²
🥇	GradientBoosting	0.7016	0.3851	0.1354	0.6937
🥈	RandomForest	0.6736	0.4027	0.1536	0.6494
🥉	XGBoost	0.6709	0.4044	0.1413	0.6688
4	ExtraTreesRegressor	0.5631	0.4660	0.1799	0.5991
5	SVR(RBF)	0.5327	0.4819	0.1531	0.5135

优势：全面对比基准，帮助快速筛选最优模型

推荐：GradientBoosting 在各项指标均衡性最好

#### 方案B：Stacking集成学习 (q22_model_stacking_ensemble.py)

算法：二层集成学习框架

架构：

Level 0基学习器（6个）：LR, Ridge, Lasso, RF, GB, XGB

元特征生成：5折交叉验证避免过拟合

Level 1元学习器（3个）：Ridge, Lasso, RandomForest

核心结果：

集成方案	测试R²	测试RMSE	测试MAE
简单平均	0.7788	0.3315	0.1339
加权平均	0.7803	0.3304	0.1331
Stacking(Lasso元学习器)	0.8102	0.3071	0.1120

改进幅度：较GradientBoosting提升 +1.22%

优势：多模型融合降低单模型偏差，结果更稳定

计算成本：需要5折CV，训练时间较长

#### 方案C：贝叶斯超参数优化 (q23_model_bayesian_optimization.py)

算法：高斯过程 + EI采集函数

优化目标：XGBoost & GradientBoosting 超参

搜索策略：

初始化：5次随机搜索

迭代：10次贝叶斯优化

高斯过程建模参数空间

Expected Improvement (EI) 采集函数

核心结果：

模型	优化前R²	优化后R²	改进	最优超参示例
XGBoost	0.7156	0.7881	+7.25%	n_est=71, depth=9, lr=0.127
GradientBoosting	0.6150	0.6819	+6.69%	n_est=203, depth=4, lr=0.226

优势：自适应搜索，样本利用效率高，避免网格搜索低效

适用：高维超参优化，计算预算有限场景

📈 问题3：具体日期预测与验证

问题描述

对2026年2月1日、10日、20日进行浊度预测，并验证预测准确性。

✨ 方案对比

#### 方案A：直接批量预测 + 时间平滑 (q31_prediction_direct_batch.py)

算法：单模型直接预测 + 7点滑窗平滑 + 置信区间

求解过程：

使用GradientBoosting最优模型

2. 对目标日期样本直接预测

3. 7点移动平均平滑（中心卷积）

4. 基于残差计算95%置信区间

核心结果（模拟3天预测）：

日期	样本数	实际达标率	预测达标率	平均MAE	达标准确率
2月1日	11	90.9%	90.9%	0.1042	100.0%
2月10日	11	81.8%	81.8%	0.1476	81.8%
2月20日	11	100.0%	100.0%	0.0860	100.0%
综合	33	97.0%	97.0%	0.1126	93.9%

优势：计算简单快速，易于实现，平滑处理降低噪声

局限：不考虑时序相关性，适合短期预测

#### 方案B：时序递推预测 (q32_prediction_recursive_forward.py)

算法：滚动窗口 + 逐步递推 + 在线学习思想

求解过程：

基础模型：用前80%数据训练

2. 递推预测：每步用实际值更新输入

3. 捕捉非平稳时序动态

4. 评估预测误差累积

核心结果：

日期	样本数	递推R²	直接R²	递推MAE	直接MAE	差异
2月1日	291	-0.5566	0.1141	0.1631	0.1579	+3.3%
2月10日	291	-0.4283	0.5052	0.2420	0.1834	+32%
2月20日	291	-13.3903	0.7819	0.4202	0.1460	+188%

关键发现：

递推预测误差大幅累积（尤其长期预测）

原因：浊度值非平稳性强，小扰动快速放大

建议：不适合本数据集，直接预测更优

应用场景：平稳时序或弱非线性系统

#### 方案C：MC-Dropout不确定性量化 (q33_prediction_uncertainty_mc_dropout.py)

算法：Monte Carlo采样 + 不确定性区间估计

求解过程：

创建50个RandomForest随机变体（MC样本）

2. 每个样本进行预测

3. 计算预测均值和标准差

4. 估计超标概率（NTU>1.0）

核心结果：

指标	数值
预测样本数	873
预测准确性R²	0.7888
平均MAE	0.1291
平均预测标准差	0.0339
平均预测区间宽度	0.0380
超标概率>50%的占比	3.8%

不确定性分布：

预测值接近达标线(NTU=1.0)时，不确定性最大

极端值(很低或很高)预测不确定性最小

优势：量化预测可靠性，找出高风险样本

应用：决策支持、风险评估、动态告警系统

✅ 问题4：水质达标评估

问题描述

判断预测浊度是否达到饮用水标准（NTU≤1.0），评估达标准确性。

✨ 方案对比

#### 方案A：单一阈值分类 (q41_compliance_threshold_classification.py)

算法：回归→二分类转换 + 混淆矩阵评估

求解过程：

用GradientBoosting回归模型预测NTU值

2. NTU≤1.0 → 达标(0)，否则超标(1)

3. 实际值与预测值对比，计算混淆矩阵

4. 评估Accuracy, Precision, Recall, F1, Specificity

核心结果：

评估指标	数值
达标准确率	96.2%
实际达标率	96.7%
预测达标率	96.2%
精准度(Precision)	98.4%
召回率(Recall)	71.9%
F1分数	0.8304
特异度(Specificity)	99.1%

混淆矩阵：

预测达标 ✓✓✓✓✓✓✓✓✗实际达标 ✓✓✓✓✓✓✓✓✗        845    30    (达标)        3     (超标)

关键发现：

高精准度(98.4%)：误判达标为超标很少

低召回率(71.9%)：漏判超标较多（保守策略）

适合饮用水质：宁可预测超标也不漏判

应用场景：常规达标评估，工业标准检验

#### 方案B：多工况聚类分层预测 (q42_operation_mode_clustering.py)

算法：K-means聚类 + 工况内独立建模 + 条件预测融合

求解过程：

工况识别：K-means(k=3)基于{原水浊度, 出厂流量}

工况0：低原水浊度运行

工况1：标准运行

工况2：高原水浊度运行

2. 分层建模：各工况独立训练GradientBoosting

3. 条件预测：

识别样本工况

用该工况模型预测

融合多工况结果

工况分布：

工况	训练样本	测试样本	工况特征
0	2461	626	低浊度常态
1	774	195	中浊度
2	140	35	高浊度应急

工况内预测性能：

工况	R²	RMSE	MAE
0	0.7177	0.3545	0.1548
1	0.6318	0.4421	0.1314
2	0.3329	0.4804	0.1550

日期预测结果（条件预测）：

日期	MAE	R²	达标准确率
2月1日	0.1579	0.1141	90.9%
2月10日	0.1834	0.5052	90.9%
2月20日	0.1460	0.7819	100.0%
综合	0.1624	0.5159	97.4%

优势：

适应不同工况变工况，个性化预测更准确

工况识别有助于理解系统动态

应急工况单独处理，风险可

应用场景：多工况系统、自适应控制、工业4.0

📊 核心成果对标表

特征选择效果

方案	筛选特征数	Top1特征	Top1权重
A-统计多维	5	FILT.NTU	33.52%
B-树模型融合	5	FILT.NTU	54.03%

结论：两个方案一致指向FILT.NTU(出厂浊度)为最关键特征。

模型预测能力排序

方案	算法	测试R²	改进幅度
Q2A基础	单模型	~0.65	基准
Q21-A	12模型对比	0.7016	+8.0%
Q21-B	Stacking	0.8102	+24.6% ⭐
Q21-C	贝叶斯优化	0.7881	+21.2%

最优方：Stacking集成学习，整体R²提升24.6%

日期预测准确性

方案	达标准确率	MAE	推荐度
Q31-A直接预测	93.9%	0.1126	⭐⭐⭐⭐
Q31-B递推预测	96.6%	0.2751	⭐
Q31-C不确定性	96.2%	0.1291	⭐⭐⭐

推荐：方案A(直接预测)最实用，方案C(不确定性)最科学

达标评估精准度

方案	精准度	召回率	应用
Q41-单阈值	98.4%	71.9%	保守策略，工业标准
Q42-多工况	97.4%	100%	自适应策略，动态控制

权衡：

工业检验 → Q41(更谨慎)

实时控制 → Q42(更灵活)

点击阅读原文获取相关资料

扫码咨询

赛中指导｜保奖服务

资料预定｜综测加分

【END】