2024年第三届钉钉杯大学生大数据挑战赛初赛赛题浅析

一图流

题目	涉及模型	所需背景知识	综合难度	题量	题目复杂度
初赛A：烟草营销案例数据分析	ARIMA, SARIMA, Prophet, 线性回归, LSTM, 随机森林, XGBoost	时间序列分析, 机器学习, 数据预处理, 统计学	中等	3个主要问题	涉及时间序列预测和集成学习模型
初赛B：医疗门诊患者及用药数据案例分析	RNN, LSTM, 线性回归, SVM, 集成学习(如Stacking, Blending)	时间序列分析, 机器学习, 数据预处理, 医疗数据分析	中等偏上	3个主要问题	涉及时间序列预测和集成学习模型, 医疗数据复杂性较高

AB题综合难度不大，难度可以视作0.4个国赛，题量可以看作0.35个国赛题量。适合于国赛前队伍练手，队伍内磨合。竞赛获奖率50%，八月底出成绩，参赛人数3000队左右。

A：烟草营销案例数据分析

1. 问题背景

烟草是我国重要的国家税收和财政收入来源。国家对烟草实行专卖制度，对烟草及其制品的生产和流通进行严格管理。数据来自某地区近些年多种品牌的烟草销售情况，已做脱敏和数据变换处理。

2. 解决问题

预测分析

1. 销量预测：

   - 使用历史销售数据构建两个不同类型的时间序列预测模型，分别对A1、A2品牌的未来销量进行预测。

   - 模型选择可以包括ARIMA模型、SARIMA模型、Prophet模型等。

2. 销售金额预测：

   - 使用历史销售数据构建两个不同类型的时间序列预测模型，分别对A3、A4品牌的销售金额进行预测。

   - 模型选择可以包括线性回归模型、LSTM神经网络模型等。

3. 集成学习：

   - 在上述分别对销量及销售金额预测模型的基础上，构建集成学习模型，实现对A5品牌的销量和销售金额的联合预测。

   - 可以考虑集成不同的预测模型，如随机森林、XGBoost等，以提高预测精度。

数据处理与模型选择

- 数据预处理：处理缺失值、异常值，进行数据归一化。

- 特征选择：选择影响销量和销售金额的重要特征，进行特征工程。

- 模型评估：使用准确率（Accuracy）、F1-score、AUC面积等指标评估模型性能。

B：医疗门诊患者及用药数据案例分析

1. 问题背景

智慧医疗的出现解决了传统医疗管理系统的不完善等问题。数据来自某医院近些年门诊医疗数据，已做脱敏和数据变换处理。

2. 解决问题

预测分析

1. 康复医学科一病房门诊收入预测：

   - 以日期、患者人数、药品总收入、当日病房收入为基础输入数据，构建两个不同类型的时间序列预测模型，分别预测门诊收入数据。

   - 模型选择可以包括RNN、LSTM等神经网络模型。

2. 康复医学科二病房门诊收入预测：

   - 以相同的输入数据，构建两个不同类型的时间序列预测模型，分别预测门诊收入数据。

   - 模型选择可以包括线性回归、支持向量机（SVM）等。

3. 集成学习：

   - 结合上述两个模型，构建集成学习模型，针对康复医学科三病房，预测门诊收入数据。

   - 可以考虑使用集成学习方法，如Stacking、Blending等，以提高预测准确性。

数据处理与模型选择

- 数据预处理：处理缺失值、异常值，进行数据归一化。

- 特征选择：选择影响门诊收入的重要特征，进行特征工程。

- 模型评估：使用准确率（Accuracy）、F1-score、AUC面积等指标评估模型性能。

原文地址：https://blog.csdn.net/qq_33690821/article/details/140712960

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！