2024年妈杯MathorCup大数据竞赛A题超详细解题思路

2024年妈杯大数据竞赛初赛整体难度约为0.6个国赛。A题为台风中心路径相关问题，为评价+预测问题；B题为库存和销量的预测+优化问题。B题难度稍大于A题，可以根据自己队伍情况进行选择。26日早六点之前发布AB两题相关解题代码+论文。

下面为大家带来详细的A题解题思路【注：该思路为真实求解之前的暂定思路，实际论文代码可能因数据问题、模型问题与思路有一定出入】

作为数据类型题目，本题可以分为四个大部分，分别为数据处理、台风分类评价模型、台风路径预测模型、台风登陆后的风速与降水量预测模型。

数据处理

对于题目给出的数据一共提供了1945年至今1813场台风的相关数据。我们需要对题目给出的数据进行必要的处理。主要包括，缺失值处理、时间处理、数据编码、异常值处理、数据描述性分析。

1、缺失值处理；对于题目存在的大量缺失值，我们可以选择插值填充，也可以选择直接删除所在行。

2、时间处理，对于题目给出的数据格式，直接进行变成计算机无法识别，我们需要根据数据特征六小时间隔转化为YYYYMMDDHH格式，方便进一步进行处理

3、数据编码对于题目给出的各种数据，存在直接使用汉字或者字母进行编码的结果，需要转化为数据才能进一步建立模型。

4、异常值处理对于题目中存在的极端数据，例如高达110的风速低至50的气压都应该结合实际情况进行分析。

5、数据描述性分析;我们可以对题目给出的路径绘制对应的可视化，进一步进行描述分析

问题 1：台风特征参数与气象因素的关系及分类评价模型

根据题目提供数据，台风特征信息主要为台风强度、台风等级、风速、气压、移动方向、移动速度。首先，可以对台风特征参数进行相关性分析，了解每个指标与台风强度、等级之间的关系。计算特征之间的相关系数（例如使用皮尔逊相关系数），找出与台风强度（风速、气压）高度相关的气象因素。并使用热力图进行可视化展示。根据分析结果进行特征选择。

建立相关的分类模型进行分类即可，可以使用无监督学习方法，例如K-means聚类，对台风进行初步的类别划分。可以根据台风的风速、气压、移动速度等指标对台风进行聚类，分为若干类（如弱台风、中等台风、强台风）。

也可以从历史数据中获取台风类别（例如夏台风、秋台风的标签），可以使用**随机森林（Random Forest）或支持向量机（SVM）**进行分类。使用历史台风数据训练模型，以气温、气压、季风等气象数据作为输入，台风等级或类型作为输出。

问题 2：台风路径预测模型

要求根据多种气象因素（气温、气压、洋流、风场等）预测台风路径，并利用Dynamic Time Warping（DTW）算法与实际路径进行对比。

主要求解思路：使用回归模型或者时空序列模型进行路径预测。例如，考虑使用多元线性回归或者**LSTM（长短期记忆网络）**等适合时间序列预测的深度学习模型。使用**Dynamic Time Warping (DTW)**来度量预测路径与实际路径之间的相似性，DTW可以处理不同长度的时间序列，衡量它们之间的相似性。

具体过程

基于物理机制的数值预测模型

可以使用基于气象动力学的数值天气预报模型，如WRF，通过模拟台风生成的物理过程来进行路径预测。这些模型考虑了大气的物理过程，包括风场、气压梯度、地球自转等，但其计算量较大，操作难度较大，不推荐。

基于数据驱动的机器学习模型

台风路径预测属于典型的时空序列预测问题，深度学习方法中的**长短期记忆网络（LSTM）**和**门控循环单元（GRU）**非常适合这类应用。

LSTM/GRU**通过捕捉历史路径和气象因素的时间依赖性，能够预测台风未来的路径点。

模型输入包括过去的经纬度坐标、气压、风场等特征，输出为未来时间点的经纬度。

通过这种方式，LSTM或GRU可以用于逐步预测台风未来的路径点，从而形成完整的预测路径。这些模型需要大量历史台风数据进行训练，并通过交叉验证来确保模型的泛化能力。

多元函数型数据主成分分析（FPCA）

将台风路径的时间序列数据表示为连续函数，并通过主成分分解提取主要的变化模式，得到路径变化的主要特征。

可以将台风路径数据降维，得到几组主成分得分，这些主成分得分描述了台风路径的主要变化模式，如向北、向西的偏向趋势或路径曲率的变化。

Dynamic Time Warping（DTW）对比分析