2005高教社杯全国大学生数学建模竞赛题目C题 雨量预报方法的评价

合集下载

雨量预报方法的评价

雨量预报方法的评价

承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。

我们知道,抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺,严格遵守竞赛规则,以保证竞赛的公正、公平性。

如有违反竞赛规则的行为,我们将受到严肃处理。

我们参赛的题目是:C题雨量预报方法的评价我们的参赛报名号为(如果赛区设置报名号的话):所属学校(请填写完整的全名):北京大学医学部参赛队员(打印并签名) : 1. 胡奇2. 潘德林3. 郑铮指导教师或指导教师组负责人(打印并签名):指导小组日期: 2005 年 9 月 19 日赛区评阅编号(由赛区组委会评阅前进行编号):编号专用页赛区评阅编号(由赛区组委会评阅前进行编号):全国统一编号(由赛区组委会送交全国前编号):全国评阅编号(由全国组委会评阅前进行编号):公众满意,我们的追求摘要本题的内容就是对两种预测方法给出不同方式与角度的评价方式。

我们建立模型逐步深入地讨论影响对预测方式评价标准的因素,给出两种预测方法的应用范围与适用范围。

在第一个模型中,对预测方法的评价必然需要对预测值与实测值的误差进行分析。

我们首先通过欧拉距离计算出绝对误差。

随后,我们考虑到同样的预测能力对于小降雨量的预测较之对大降雨量的预测更易取得较小的绝对误差,因此我们决定引入不同降雨量绝对值对于绝对误差的影响权重,建立了预测误差权重模型,对欧拉距离进行修饰。

同时,我们考虑对每天四个时段的降雨预测的困难程度是不相同的,随着时间的推移,对于降雨预测的准确度将会越来越差。

我们建立了预测难度增长模型。

引入早期预测难度指数与预测难度增长因子,通过比较对未来雨量的预测难度来衡量二预测方法的优劣。

雨量预报方法的模糊评价模型--2005高教社杯全国大学生数学建模竞赛题目之一

雨量预报方法的模糊评价模型--2005高教社杯全国大学生数学建模竞赛题目之一

雨量预报方法的模糊评价模型--2005高教社杯全国大学生数
学建模竞赛题目之一
杨金山;耿玉菊;马小女
【期刊名称】《衡水学院学报》
【年(卷),期】2006(8)1
【摘要】对气象部门来说,准确、及时、有效地预报降雨量,需要有较优秀的预报方法.为此有必要构建一种评价某气象台所使用的2种不同降雨量预测方法精确性的模型,同时也应该在模型中考虑到公众的感受.为此,建立了一种模糊评价模型,并用MATLAB做了仿真.隶属度函数为:μ(x)=e-a(x-b).而后,创建了一种距离函数来表征预测与实际降雨量之间的差距,最后用距离和的最小作为评价函数.
【总页数】4页(P25-28)
【作者】杨金山;耿玉菊;马小女
【作者单位】衡水学院,数学与计算机科学系,河北,衡水,053000;衡水学院,数学与计算机科学系,河北,衡水,053000;衡水学院,数学与计算机科学系,河北,衡水,053000【正文语种】中文
【中图分类】TP273+.4
【相关文献】
1.2016年“高教社杯”全国大学生数学建模竞赛题目 [J],
2.NBA赛程的分析和评价——2008高教社杯全国大学生数学建模竞赛题目 [J], 马明远
3.2012高教社杯全国大学生数学建模竞赛题目 [J],
4.2012高教社杯全国大学生数学建模竞赛题目 [J], ;
5.2016年“高教社杯”全国大学生数学建模竞赛题目 [J],
因版权原因,仅展示原文概要,查看原文内容请购买。

全国大学生数学建模竞赛优秀论文选之雨量预报方法的评价2

全国大学生数学建模竞赛优秀论文选之雨量预报方法的评价2

雨量预报方法的评价摘要本文首先对两种雨量预报方法做出准确性的评价。

对位于东经120度、北纬32度附近的整个研究区域以及产生雨量的各种因素进行仔细分析之后,利用已知网格点降雨量的预报数据,进行合理的二维插值计算,从理论上得出非网格点降雨量的预报值;然后将这些理论值和各个观测点降雨量的准确值,经过求解得出两个方案在各个预报时段的偏差;在得到了偏差之后,利用偏差的平方和描述总的偏离程度,对每个时段进行权值的比较,再对两个方案进行多层次分析,从而做出权重的比较,最后利用MALTAB 等数学软件,得出两个方案的总偏差分别为:.0;方案一:928523.0;方案二:998061由此说明,就气象部门对该地区雨量预报的准确度来说,方案一优于方案二。

在此基础上,我们又加入公众对雨量分级预报的感受度等因素,把对该地区降雨量的研究从定量的方法转换成定性的方法。

对各个观测点实测的降雨量和理论降雨量相互对比,得到了各个观测点在每个时段的预报准确度,再利用多层次分析法得到了两个预报方案各自总的准确度为:.0;方案一:940791.0;方案二:997773由此说明,加入公众对雨量分级预报的感受度等因素之后,雨量预报方案二的准确度大于方案一的准确度。

因为在每个公众的心里,对各个时段预报的准确度有着不一样的权重,因此就需要对各个时段预报等级的准确度有不一样的预报要求。

我们在模型求解中提出了漏报率、空报率、错报率以及恶劣天气错报率,从而计算出两个预报方案各自对公众生产和生活的影响,综合得出它们的两个方案各自失误指数:方案一的综合失误指数:0.00060521;方案二的综合失误指数:0.000487213由此可以知道两种预报方法在失误方面差别不大,说明他们都具有良好的科学性,只是相对而言,第二种预报方法的失误方面稍微小一点。

关键词准确度多层次分析漏报率空报率恶报率一、问题的重述雨量预报对农业生产、城市工作和生活都有重要作用,但准确、及时地对雨量作出预报是一个十分困难的问题,广受世界各国关注。

2005年第二届全国研究生数学建模竞赛C题

2005年第二届全国研究生数学建模竞赛C题

2005年全国部分高校研究生数学建模竞赛C题城市交通管理中的出租车规划最近几年,出租车经常成为居民、新闻媒体议论的话题。

某城市居民普遍反映出租车价格偏高,而另一方面,出租车司机却抱怨劳动强度大,收入相对来说偏低,甚至发生出租车司机罢运的情况,这反映出租车市场管理存在一定问题,整个出租车行业不景气,长此以往将影响社会稳定,值得关注。

我国城市在未来一段时间内,规模会不断扩大,人口会不断增长,人民生活水平将不断提高,对出租车的需求也会不断变化。

如何配合城市发展的战略目标,最大限度地满足人民群众的出行需要,减少环境污染和资源消耗,协调各阶层的利益关系,是值得深入研究的。

(附录中给出了某城市的相关数据)。

(1)考虑以上因素,结合该城市经济发展和自身特点,类比国内外城市情况,预测该城市居民出行强度和出行总量,同时进一步给出该城市当前与今后若干年乘坐出租车人口的预测模型。

(2)给出该城市出租车最佳数量预测模型。

(3)按油价调价前后(3.87元/升与4.30元/升),分别讨论是否存在能够使得市民与出租车司机双方都满意的价格调整方案。

若存在,给出最优方案。

(4)本题给出的数据的采集是否合理,如有不合理之处,请你给出更合理且实际可行的数据采集方案。

(5)请你们站在市公用事业管理部门的立场上考虑出租车规划问题,并将你们的研究成果写成一篇短文,向市公用事业管理部门概括介绍你们的方案。

附录11、2004年某城市的城市规模和道路情况如下:(1)城市现辖6区,2004年城市建成区面积181.77平方公里,人口185.15万。

(2)道路总长度998公里,道路铺装面积928万平方米,道路广场面积1371.45万平方米,道路网密度7.71公里/平方公里,人均道路长度0.7米,人均道路面积6.16平方米。

(3)城市总体规划人口城市总体规划人口规模(单位:万人)通过对出行特征的分析,把出行特征相近的人口划归为一类,常住人口和暂住人口称为第一类人口,短期及当日进出人口称为第二类人口。

数学建模C题论文

数学建模C题论文

191])()([),(20200y y x x r z y x z -+--=c y b x a y x y x z +⋅+⋅++=22),(4753⨯41i D i D 20.000160.001162021421339915152112032534791410.1 6660.1 2.5 2.666.11212.12525.16060.1/mcm05/probX 53⨯47Y 53⨯47k n m Z ⨯53⨯47 k n m Z ⨯~53⨯47i n m k H ⨯m m n k n 21n +120i n m k S ⨯i D126 18319719141164512X Y⎪⎪⎪⎭⎫ ⎝⎛=⨯⨯⨯⨯⨯⨯47532531534712111..................x x x x x x X ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................y y y y y y),(y x Z =mnk ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯⨯),(...),,(),,(............),(...),,(),,(4753475325325315315347147121211111y x f y x f y x f y x f y x f y x f ⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................Z Z Z Z Z Z 1=imnk Z ~⎪⎪⎪⎪⎭⎫ ⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111~...~~............~...~~Z Z Z Z Z Z i imnkH ∆mnk Z i mnk Z ~⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯ii i i i i h h h h h h 47532531534712111............... (2)i mnkS∆∑∑=⨯=⨯4712531)(47531j i ji i hi D ∆∑=16411641i mnk S 4i i imnk H 5347imnk S mnk H i D 41 2),(y x Z = ),(y x Z =i D nk m ⨯ i mnk H mnk Z i mnk Z ~1~mnk Z 2~mnk Z 1mnk H 2mnk H imnkS∆∑∑=⨯=⨯4712531)(47531j ij i i h1mnk S 2mnk S⑤ 用i D ∆∑=16411641i mnk S 计算出1D 与2D ,则1D 和2D 的值较小者为最优方案.3 主要程序及结论通过数据处理与分析我们认为预测方法一比预测方法二好.所得计算结果值分别为:(1)不同时段的两种方法的实测与预测值的均方差:1mnkS =[0.9247218269e-1, .165797962696, 0.9247218269e-1,0.9247218269e-1, .2586806182, .2586806182, .2586806182, 2.791713932, .2474029514, .2539943168, .2715902174, .2715902174182, .2586806182, 2.791713932, .2474029514, .2539943168, .2715902174]2mnkS := [0.921412432e-1, .1098068392, 0.2234955063e-1,0.1592933205e-1, .2851304286, .2851304286, .2851304286, 2.792910527, .2612701098, .2381007694, .2613774987, 0.5183032655e-1,.2851304286,2.792810527, .2612701098, .2381007694, .2613774987] (2) 方法一的均方差为:1D := .8311398371方案二的均方差: 2D = .8417760978得1D <2D .主要程序与运行结果为: (1) 局域曲面拟合程序> solve({0.3=0.6-r*(0.045^2+0.042^2)},{r});> z1:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z2:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z3:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> z4:=0.6-79.17656374*[(x-120.2500)^2+(y-33.7667)^2];> solve({0.15=0.3-r*(0.045^2+0.042^2)},{r});> z4:=0.3-39.58828187*[(x-118.1833)^2+(y-31.0833)^2];> solve({5.1=10.2-r*(0.045^2+0.042^2)},{r});> z1:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z2:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z3:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> z4:=10.2-1346.001584*[(x-120.3167)^2+(y-31.5833)^2];> solve({0.1=0.2-r*(0.045^2+0.042^2)},{r});> z4:=0.2-26.39218791*[(x-118.4000)^2+(y-30.6833)^2];>z4:=solve({118.9833^2+30.6167^2+a*118.9833+b*30.6167+c=0.7000,118.5833^ 2+30.0833^2+a*118.5833+b*30.0833+c=1.8000,119.4167^2+30.8833^2+a*119.41 67+b*30.8833+c=0.5});> solve({0.05=0.1-r*(0.045^2+0.042^2)},{r});> z1:=0.1-13.19609396*[(x-119.4167)^2+(y-30.8833)^2];>> solve({2.9=5.8-r*(0.045^2+0.042^2)},{r});> z4:=0.1-765.3734495*[(x-118.2833)^2+(y-29.7167)^2];(2)均方差求值程序:>sq1:=[0.09247218269,0.165797962696,0.09247218269,0.09247218269,0.258680 6182,0.2586806182,0.2586806182,2.791713932,0.2474029514,0.2539943168,0. 2715902174,0.2715902174182,0.2586806182,2.791713932,0.2474029514,0.2539 943168,0.2715902174];> sum1:=add(i,i=sq1);> ave1:=sum1/17;>ve1:=[.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222 900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.522 2900020,.5222900020,.5222900020,.5222900020,.5222900020,.5222900020,.52 22900020];>sq2:=[0.0921412432,0.1098068392,0.022********,0.01592933205,0.285130428 6,0.2851304286,0.2851304286,2.792910527,0.2612701098,0.2381007694,0.261 3774987,0.0518*******,0.2851304286,2.792810527,0.2612701098,0.238100769 4,0.2613774987];(2)数据模拟图程序:> with(linalg):> l:=matrix(91,7,[58138,32.9833,118.5167, 0.0000, 5.0000, 0.2000, 0.0000, 58139, 33.3000,118.8500, 0.0000, 3.9000, 0.0000, 0.0000,58141, 33.6667,119.2667, 0.0000, 0.0000, 0.0000, 0.0000,58143, 33.8000,119.8000, 0.0000, 0.0000, 0.0000, 0.0000,58146, 33.4833,119.8167, 0.0000, 0.0000, 0.0000, 0.0000,58147, 33.0333,119.0333, 0.0000, 6.0000, 1.4000, 0.0000,58148, 33.2333,119.3000, 0.0000, 1.1000, 0.3000, 0.0000,58150, 33.7667,120.2500, 0.0000, 0.0000, 0.0000, 0.1000,58154, 33.3833,120.1500, 0.0000, 0.0000, 0.0000, 0.0000,58158, 33.2000,120.4833, 0.0000, 0.0000, 0.0000, 0.0000,58230, 32.1000,118.2667, 3.3000,20.7000, 6.6000, 0.0000,58236, 32.3000,118.3000, 0.0000, 8.2000, 3.6000, 1.4000,58238, 32.0000,118.8000, 0.0000, 0.0000, 0.0000, 0.0000,58240, 32.6833,119.0167, 0.0000, 3.0000, 1.4000, 0.0000,58241, 32.8000,119.4500, 0.1000, 1.4000, 1.5000, 0.1000,58243, 32.9333,119.8333, 0.0000, 0.7000, 0.4000, 0.0000,58245, 32.4167,119.4167, 0.3000, 2.7000, 3.8000, 0.0000,58246, 32.3333,119.9333, 7.9000, 2.7000, 0.1000, 0.0000,58249, 32.2000,120.0000,12.3000, 2.4000, 5.6000, 0.0000,58251, 32.8667,120.3167, 5.2000, 0.1000, 0.0000, 0.0000, 58252, 32.1833,119.4667, 0.4000, 3.2000, 4.8000, 0.0000, 58254, 32.5333,120.4500, 0.0000, 0.0000, 0.0000, 0.0000, 58255, 32.3833,120.5667, 1.1000,18.5000, 0.5000, 0.0000, 58264, 32.3333,121.1833,35.4000, 0.1000, 0.2000, 0.0000, 58265, 32.0667,121.6000, 0.0000, 0.0000, 0.0000, 0.0000, 58269, 31.8000,121.6667,31.3000, 0.7000, 2.8000, 0.1000, 58333, 31.9500,118.8500, 8.2000, 8.5000,16.9000, 0.1000, 58334, 31.3333,118.3833, 4.9000,58.1000, 9.0000, 0.1000, 58335, 31.5667,118.5000, 5.4000,26.0000,11.0000, 0.8000, 58336, 31.7000,118.5167, 3.6000,27.8000,15.3000, 0.6000, 58337, 31.0833,118.1833, 7.0000, 6.4000,15.3000, 0.2000, 58341, 31.9833,119.5833,11.5000, 5.4000,16.1000, 0.0000, 58342, 31.7500,119.5500,32.6000,37.9000, 5.8000, 0.0000, 58343, 31.7667,119.9333,20.7000,24.3000, 5.3000, 0.0000, 58344, 31.9500,119.1667,12.4000, 5.9000,16.3000, 0.0000, 58345, 31.4333,119.4833,21.8000,18.1000, 9.8000, 0.1000, 58346, 31.3667,119.8167, 0.1000,12.7000, 5.1000, 0.2000, 58349, 31.2667,120.6333, 1.1000, 5.1000, 0.0000, 0.0000, 58351, 31.8833,120.2667,22.9000,15.5000, 6.2000, 0.0000, 58352, 31.6500,120.7333,15.1000, 5.4000, 2.4000, 0.0000, 58354, 31.5833,120.3167, 0.1000,12.5000, 2.4000, 0.0000, 58356, 31.4167,120.9500, 5.1000, 4.9000, 0.4000, 0.0000, 58358, 31.0667,120.4333, 2.4000, 3.4000, 0.0000, 0.8000, 58359, 31.1500,120.6333, 1.5000, 3.8000, 0.5000, 0.1000, 58360, 31.9000,121.2000, 5.6000, 3.2000, 2.9000, 0.1000, 58361, 31.1000,121.3667, 3.5000, 0.6000, 0.2000, 0.7000, 58362, 31.4000,121.4833,33.0000, 4.1000, 0.9000, 0.0000, 58365, 31.3667,121.2500,17.7000, 2.2000, 0.1000, 0.0000, 58366, 31.6167,121.4500,75.2000, 0.4000, 1.5000, 0.0000, 58367, 31.2000,121.4333, 7.2000, 2.8000, 0.2000, 0.2000, 58369, 31.0500,121.7833, 3.2000, 0.3000, 0.0000, 0.3000, 58370, 31.2333,121.5333, 7.0000, 3.4000, 0.2000, 0.2000, 58377, 31.4667,121.1000, 7.8000, 7.2000, 0.3000, 0.0000, 58426, 30.3000,118.1333, 0.0000, 0.0000,17.6000, 6.2000, 58431, 30.8500,118.3167, 5.1000, 2.3000,16.5000, 0.1000, 58432, 30.6833,118.4000, 3.6000, 1.4000,20.5000, 0.2000, 58433, 30.9333,118.7500, 2.1000, 3.4000, 8.5000, 0.2000, 58435, 30.3000,118.5333, 0.0000, 0.0000,13.6000, 8.5000, 58436, 30.6167,118.9833, 0.0000, 0.0000, 5.3000, 0.5000, 58438, 30.0833,118.5833, 0.0000, 0.0000,27.6000,21.8000, 58441, 30.8833,119.4167, 0.1000, 1.6000, 1.6000, 1.0000, 58442, 31.1333,119.1833, 3.0000, 8.8000, 5.4000, 0.2000, 58443, 30.9833,119.8833, 0.1000, 2.7000, 0.1000, 0.9000,58446, 30.9667,119.6833, 0.0000, 0.1000, 5.1000, 2.5000, 58448, 30.2333,119.7000, 0.0000, 0.0000,15.1000, 6.9000, 58449, 30.0500,119.9500, 0.0000, 0.0000,23.5000, 8.2000, 58450, 30.8500,120.0833, 0.0000, 0.7000, 0.0000, 4.1000, 58451, 30.8500,120.9000, 0.5000, 0.1000, 0.0000, 3.8000, 58452, 30.7833,120.7333, 0.3000, 0.0000, 0.0000, 3.0000, 58453, 30.0000,120.6333, 0.0000, 0.0000, 0.0000,18.2000, 58454, 30.5333,120.0667, 0.0000, 0.0000, 0.5000, 4.9000, 58455, 30.5167,120.6833, 0.0000, 0.0000, 0.0000, 4.6000, 58456, 30.6333,120.5333, 0.0000, 0.0000, 0.0000, 4.2000, 58457, 30.2333,120.1667, 0.0000, 0.0000, 2.0000,12.6000, 58459, 30.2000,120.3167, 0.0000, 0.0000, 0.0000,15.0000, 58460, 30.8833,121.1667, 1.2000, 0.1000, 0.0000, 2.3000, 58461, 31.1333,121.1167, 4.0000, 1.4000, 0.4000, 0.2000, 58462, 31.0000,121.2500, 2.7000, 0.3000, 0.4000, 1.7000, 58463, 30.9333,121.4833, 1.7000, 0.1000, 0.0000, 0.8000, 58464, 30.6167,121.0833, 0.0000, 0.0000, 0.0000, 3.6000, 58467, 30.2667,121.2167, 0.0000, 0.0000, 0.0000, 1.8000, 58468, 30.0667,121.1500, 0.0000, 0.1000, 5.1000, 2.5000, 58472, 30.7333,122.4500, 0.3000, 0.6000, 0.0000, 4.9000, 58477, 30.0333,122.1000, 0.0000, 0.0000, 0.0000, 0.0000, 58484, 30.2500,122.1833, 0.0000, 0.0000, 0.0000, 0.0000, 58530, 29.8667,118.4333, 0.0000, 0.0000,27.5000,23.6000, 58531, 29.7167,118.2833, 0.0000, 0.0000, 3.7000,11.5000, 58534, 29.7833,118.1833, 0.0000, 0.0000, 9.3000, 6.5000, 58542, 29.8167,119.6833, 0.0000, 0.0000, 0.0000,27.6000, 58550, 29.7000,120.2500, 0.0000, 0.0000, 0.0000, 4.9000, 58562, 29.9667,121.7500, 0.0000, 0.0000, 0.0000, 0.9000]);> lat:=col(l,2);> lon:=col(l,3); > sd1:=col(l,4);> sd2:=col(l,5); > sd3:=col(l,6); > sd4:=col(l,7);> abc1:=seq([lat[i],lon[i],sd1[i]],i=1..91);> abc2:=seq([lat[i],lon[i],sd2[i]],i=1..91);> abc3:=seq([lat[i],lon[i],sd3[i]],i=1..91);> abc4:=seq([lat[i],lon[i],sd4[i]],i=1..91);> with(plots):> pointplot3d([abc1],color=green,axes=boxed);> surfdata([abc1],labels=["x","y","z"],axes=boxed);> with(stats):> with(fit):> with(plots):fx1:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc1]);> plot3d(fx1,x=25..35,y=119..135);> pointplot3d([abc2],color=blue,axes=boxed);> surfdata([abc2],labels=["x","y","z"],axes=boxed);>fx2:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc2]);> plot3d(fx2,x=25..35,y=119..135);> pointplot3d([abc3],color=red,axes=boxed)> surfdata([abc3],labels=["x","y","z"],axes=boxed);>fx3:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc3]);> surfdata([abc4],labels=["x","y","z"],axes=boxed);>fx4:=leastsquare[[x,y,z],z=x^3+y^3+a*x^2+b*y^2+c*x*y+d*x+e*y+f,{a,b,c,d ,e,f}]([abc4]);五.如何在评价方法中考虑公众感受的数学模型建立.1660.1 2.5 2.666.11212.12525.16060.1z } 1.00 {0≤≤=z z R } 5.21.0 {1≤≤=z z R } 66.2 {2≤≤=z z R } 121.6 {3≤≤=z z R } 251.12 {4≤≤=z z R } 601.25 {5≤≤=z z R } 1.60 {6≥=z z R 0ˆR 1ˆR 2ˆR 3ˆR 4ˆR 5ˆR 6ˆR } 1)( {ˆ000R z z z R ∈≤=,μ} 1)( {ˆ111R z z z R ∈≤=,μ} 1)( {ˆ222R z z z R ∈≤=,μ } 1)( {ˆ333R z z z R ∈≤=,μ} 1)( {ˆ444R z z z R ∈≤=,μ} 1)( {ˆ555R z z z R ∈≤=,μ } 1)( {ˆ666R z z z R ∈≤=,μ)(z i μ i 1z ∈i R i R )(z i μ i 16i R ˆ i 1 2)(z i μ i 1⎩⎨⎧≤<+-≤≤=1.006.0 , 5.22506.00, 1)(0z z z z μ)(1z μ] 2369277587.0e [2369277587.0112)3.1(----z 5.21.0≤≤z )(2z μ] 20555762126.0e [20555762126.0112)3.4(----z 66.2≤≤z)(3z μ] 2287787270.0e [2287787270.0119.5)05.9(2----z 121.6≤≤z )(4z μ] 70397557815.0e[70397557815.0119.12)55.18(2----z 251.12≤≤z)(5z μ] 00475951221.0e[00475951221.011100)55.42(2----z 601.25≤≤z)(6z μ2)]5.60(5 [11--+z 1.60≥z 74)(z i μ及iR ˆ i =0,1,…,6合并可得} 0 {≥=z z R 上的模糊集合} , 1)( {ˆR z z z R∈≤=μ.其中R 是论域,)(z μ是模糊集合R ˆ的隶属函数,由)(z i μ分段合)(z μ小雨的隶属函数图特大暴雨隶属函数图大暴雨隶属函数图暴雨隶属函数图⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧>≤<≤<≤<≤<≤<≤≤=60)(6025)(2512)(126)(65.2)(5.21.0)(1.00)()(6543210z z z z z z z z z z z z z z t μμμμμμμμ 5 353⨯47imnkZ ~)(z μ53⨯47=M mnk⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111..................μμμμμμ=M imnk~⎪⎪⎪⎭⎫⎝⎛⨯⨯⨯⨯⨯⨯47532531534712111~...~~............~...~~μμμμμμi ),(y x Z =i mnk ∏∆mnk M =M i mnk~⎪⎪⎪⎪⎭⎫ ⎝⎛⨯⨯⨯⨯⨯⨯i i i i i i 47532531534712111..................λλλλλλ 6imnkΓ∆∑∑=⨯=⨯4712531)(47531j i j i i λ i Ω∆∑=16411641i imnkΓ 8 i 2i i i mnk ∏5347imnk Γi mnk ∏i Ω411Ω2Ω 1Ω2Ω1D 2D19811999。

2005年数学建模C题第一问思路

2005年数学建模C题第一问思路

5.1.1 模型准备 逼近理想点简介设定系统指标的一个理想点),,,(**2*1m x x x ,将每一个被评价对象与理想点进行比较。

如果某一个被评价对象指标),,,(21im i i x x x 在某种意义下与),,,(**2*1m x x x 最接近,则被评价对象),,,(21im i i x x x 为最好的,按照这种方法考查各被评价对象的指标值与理想点接近的程度依次排序。

基于这种思想的综合评价方法称为逼近理想点的排序方法(The technique for order preference by similarity to ideal solution ,简称为TOPSIS )。

5.1.2 对数据的分析首先我们对数据进行抽样,比如6月18日抽第一时段的,6月19日抽第二时段的,6月20日抽第三时段的,6月21日抽第四时段的,依次循环,得到法一和法二的各41个数据如表1所示:表1抽样数据5.1.3模型建立假设理想点为***12(,,,)m x x x ⋅⋅⋅,即实际降雨量。

对于被评价对象12(,,,)i i im x x x ⋅⋅⋅,则定义二者之间的加权距离:*1(),1,2,,mi j ij j j y c d x x i n ===⋅⋅⋅∑,其中j c 为权系数,此处设权系数为1,),(*j ij x x d 为ij x 与*j x 之间的某种意义下距离。

通常可取2**)(),(j ij j ij x x x x d -=,则综合评价函数为*21(),1,2,,mi j ij j j y c x x i n ==-=⋅⋅⋅∑。

得到法一的综合评价值为44.34187,法二的综合评价值为44.63736.按照),,2,1(n i y i ⋅⋅⋅=值的大小对各被评价方案进行排序选优,其值越小方案就越好,因此法一的预报方法更准确。

雨量预报方法的评价(未完成)

雨量预报方法的评价(未完成)

雨量预报方法的评价1.问题的重述雨量预报对农业生产和城市工作和生活有重要作用,但准确、及时地对雨量作出预报是一个十分困难的问题,广受世界各国关注。

我国某地气象台和气象研究所正在研究每天晚上20点预报从21点开始的4个时段(21点至次日3点,次日3点至9点,9点至15点,15点至21点,共6小时)在某些位置的雨量,雨量预报方法这些位置位于东经120度、北纬32度附近的53×47的等距网格点上。

同时设立91个观测站点实测这些时段的实际雨量,由于各种条件的限制,如图所示,站点的设置是不均匀的。

气象部门希望建立一种科学评价预报方法好坏的数学模型与方法。

现有气象部门提供了的在41天中用俩种不同方法的预报数据和相应的实测数据。

问题一:建立数学模型来评价两种6小时雨量预报方法的准确性;问题二:若将6小时降雨量分为6等:0.1—2.5毫米为小雨,2.6—6毫米为中雨,6.1—12毫米为大雨,12.1—25毫米为暴雨,25.1—60毫米为大暴雨,大于60.1毫米为特大暴雨。

若按此分级向公众预报,如何在评价方法中考虑公众的感受?2.模型的假设与分析1.假设所研究的91个观测站点位于的区域(即东经120度、北纬32度附近的53×47的等距网格点上)相对于地球而言当做平面来考虑。

2.网格点和站点的横从坐标即为该店给出的经纬度。

3.离相应站点越近的雨量预报结果,影响准确性的权重应当越大。

4.对于问题一,首先要找出预报误差,并由预报误差采取各种合理的定义给出评价函数,从而判定俩种预报方法的优劣。

5.对于问题二,首先要将预报值与实测值先按分级预报标准换成等级,再将预报误差改成等级差。

6.由于问题二中要考虑到公众的心理因素,要对不同情况下的预报误差和不同时间下的预报误差加上不同的权重,使得模型更加合理。

3.模型的建立3.1建立预报雨量的函数。

2005高教社杯全国大学生数学建模竞赛题目

2005高教社杯全国大学生数学建模竞赛题目

2005高教社杯全国大学生数学建模竞赛题目A题: 长江水质的评价和预测水是人类赖以生存的资源,保护水资源就是保护我们自己,对于我国大江大河水资源的保护和治理应是重中之重。

专家们呼吁:“以人为本,建设文明和谐社会,改善人与自然的环境,减少污染。

”长江是我国第一、世界第三大河流,长江水质的污染程度日趋严重,已引起了相关政府部门和专家们的高度重视。

2004年10月,由全国政协与中国发展研究院联合组成“保护长江万里行”考察团,从长江上游宜宾到下游上海,对沿线21个重点城市做了实地考察,揭示了一幅长江污染的真实画面,其污染程度让人触目惊心。

为此,专家们提出“若不及时拯救,长江生态10年内将濒临崩溃”(附件1),并发出了“拿什么拯救癌变长江”的呼唤(附件2)。

附件3给出了长江沿线17个观测站(地区)近两年多主要水质指标的检测数据,以及干流上7个观测站近一年多的基本数据(站点距离、水流量和水流速)。

通常认为一个观测站(地区)的水质污染主要来自于本地区的排污和上游的污水。

一般说来,江河自身对污染物都有一定的自然净化能力,即污染物在水环境中通过物理降解、化学降解和生物降解等使水中污染物的浓度降低。

反映江河自然净化能力的指标称为降解系数。

事实上,长江干流的自然净化能力可以认为是近似均匀的,根据检测可知,主要污染物高锰酸盐指数和氨氮的降解系数通常介于0.1~0.5之间,比如可以考虑取0.2(单位:1/天)。

附件4是“1995~2004年长江流域水质报告”给出的主要统计数据。

下面的附表是国标(GB3838-2002)给出的《地表水环境质量标准》中4个主要项目标准限值,其中Ⅰ、Ⅱ、Ⅲ类为可饮用水。

请你们研究下列问题:(1)对长江近两年多的水质情况做出定量的综合评价,并分析各地区水质的污染状况。

(2)研究、分析长江干流近一年多主要污染物高锰酸盐指数和氨氮的污染源主要在哪些地区?(3)假如不采取更有效的治理措施,依照过去10年的主要统计数据,对长江未来水质污染的发展趋势做出预测分析,比如研究未来10年的情况。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

雨量预报方法的评价
摘要
随着科技的发展,雨量预报对农业生产和城市工作和生活有很重要的作用,然而要对雨量做出及时,准确的预报却是一个十分困难的问题,这也是世界各国关注的焦点。

我国某气象台正研究了一个6小时的雨量预报方法,测量不同位置上的雨量,并且设立了91个测量实际雨量的观察站,通过这些条件就可以建立一个三次样条插值的模型,借助MTELAB软件从近千组数据中删选出最优的数据,通过MATLAB对数据进行编程得出最符合实际的图形,来对问题中所提到的两种预报方法做出评价。

关键词
三次样条插值MTELAB软件方差
一.问题重述
近年来雨量预报对农业生产和城市工作和生活有重要的作用,然而准确,及时地对雨量做出预报却是一个十分空难的问题,我国气象台和气象研究所正研究了一种6小时雨量预报方法,即每天晚上20点预报从21点开始的4个时段在某些位置的雨量,这些位置位于东京120度,北纬32度附近的53*47的网格点上,同时不均匀地设立了91个测量实际雨量的观察站,与此同时,气象部门也提供了41天的两种不同方法的预报数据和实测数据。

预报数据(FORECAST)实测数据(MEASURING)都可以用Windows 系统的写字板打开。

经(lon.dat)纬(lat.dat)度也分别包含在预报数据(FORECAST)中等,从这些数据中让我们通过建立数学模型来评价两种6小时雨量预报方法的准却性和不同降雨量等级预报,如何在评价方法中考虑公众的感受。

二.模型假设
(1)、假设把X轴设为地球的经度,Y轴设为地球的纬度,Z轴设为降水量。

(2)、假设把预测值与实测值的差值作为评价预报方法的准确性。

(3)、假设小区域内地貌对降雨分布影响较小,不做考虑。

(4)、假设气象站观测仪器的误差以及人为致错的因素为零。

(5)、假设以四十一天计算,每隔五天选择一天的数据进行计算。

(6)、相近地域的气象特征具有较大的相似性和相关性,它们之间的影响可以近似为连续的函数关系。

三.符号说明
1、x————纬度
2、y————经度
3、z————预测降水量
4、xi————观测点所在的纬度值
5、yi————观测点所在的经度值
6、zi————观测点所在的降水量
7、sc————实测数据
四.模型分析
根据纬度和经度数据可以得到许多交点,还知道交点所对应的预测降水量的数据,由此分析:我们可以通过数据拟合描绘出图形,根据图形可得出预测降水量的雨量分布情况,观测点的分布情况。

例如:
(降水量的分布情况)
(观测点的分布图)
我们根据观测站点的纬度和经度的数据进行插值得到对应的预测降降水量的数据。

五.模型建立
模型一
1、由上题继续分析:我们可以从纬度、经度和预测降水量的数据会出图像,程序如下所示:
x=[ 2.8000000e+001 2.8000000e+001 2.8000000e+001
2.8000000e+001 2.8000000e+001 2.8000000e+001
2.8000000e+001 ..........
3.4700000e+001 3.4600000e+001
3.4600000e+001 3.4600000e+001 3.4600000e+001
3.4600000e+001 3.4600000e+001];
y=[1.1730000e+002 1.1740000e+002 1.1760000e+002
1.1780000e+002 1.1790000e+002 1.1810000e+002
1.1830000e+002 .........1.2380000e+002 1.2390000e+002
1.2410000e+002 1.2430000e+002 1.2440000e+002 1.2460000e+002
1.2480000e+002 1.2490000e+002];
z=[3.0961172e-002 3.2123076e-002 3.1317302e-002 3.0666280e-002
3.0916250e-002 3.3062866e-002 3.1360477e-002
3.3563943e-002 3.1298378e-002 …… 5.7472395e-003
5.6616615e-003 5.9600450e-003
6.0826300e-003
5.7381519e-003
6.2253941e-003];
meshz(x,y,z);
图像如图所示:
2、利用插值的方法预测的降水量:将X轴设为纬度,Y轴设为经度,Z轴为预测的降水量。

则程序如下所示:
%建立M-文件,保存名shiceshuju
x i=[32.9833 33.3000 33.6667 33.8000 33.4833 33.0333 33.2333 ...... 30.0333
30.2500 29.8667 29.7167 29.7833 29.8167 29.7000 29.9667];
yi=[118.5167;118.8500;119.2667;119.8000;119.8167;119.0333;119.3000 .......;118 .4333;118.2833;118.1833;119.6833;120.2500;121.7500 ];
%建立M-文件,将纬度x与经度y表示出来。

x=[2.8000000e+001 2.8000000e+001 2.8000000e+001 2.8000000e+001
2.8000000e+001 2.8000000e+001 2.8000000e+001 ……
3.4700000e+001 3.4600000e+001 3.4600000e+001
3.4600000e+001 3.4600000e+001 3.4600000e+001
3.4600000e+001
];
y=[ 1.1700000e+002 1.1720000e+002 1.1730000e+002 1.1750000e+002 1.1760000e+002 1.1780000e+002 1.1800000e+002 ……1.2390000e+002 1.2410000e+002 1.2430000e+002 1.2440000e+002 1.2460000e+002 1.2480000e+002 1.2490000e+002];
%保存M-文件命名为jingweidu.m
程序如下:
jingweidu
z=[ 3.0961172e-002 3.2123076e-002 3.1317302e-002 3.0666280e-002
3.0916250e-002 3.3062866e-002 3.1360477e-002 ……
5.7598236e-003 5.7472395e-003 5.6616615e-003 5.9600450e-003
6.0826300e-003 5.7381519e-003 6.2253941e-003];
mesh(x,y,z);
shiceshuju;%调用shiceshuju.m文件
zi=griddata(x,y,z,xi,yi','cubic');
由此得出在观测站点所对应的91个点的插值点。

根据 z(不同时期预测的降水量)我们可以依此类推可以得出多组数据。

3、因为数据庞大,我们随机性的选择出数据(每隔五天选择数据,选择五
天内中间的一天数据)进行计算。

模型二
因气象部门将6小时降雨量分为6等,又因题知小于0.1毫米视为无雨,所以我们可以分为7各等级。

将预测等级数据与实际等级数据做差的绝对值,若差值为0则非常满意,若差值为1则为满意,差值为2则为一般,若大于3则为不满意。

分别求出两个方案的满意率。

满意率好的就选择哪个。

六.模型求解
模型一的求解:
将方案一得预测数据zi与实测数据sc通过做差,根据方差公式:2
s=((x1-x-)2+(x2-x-)2+……+(x n-x-)2)*(n1) ①
得出一组数据。

将方案二得预测数据zi与实测数据sc通过做差,根据方差公式①得出一组数据。

比较两组数据哪个小,那个方案就好。

根据数据得出:第一种方案准确性好。

七.模型评价与推广
1、模型评价
我们把雨量预报这个实际问题通过分析理解模拟成三次样条插值的模型,此模型通过图形可以直观看出降水量的变化幅度。

缺点是数据大难以计算出结果。

对于更详实的综合评价,应做更详细,更深入的研究,这就要求对模型需要进一步的改进。

2、模型推广
本模型可以应用于陆地和海洋地形的探测,也可以应用于海洋天气预
报。

本文只讨论了有限地形的推测,如果数据合理就能推广到全球天气的预报和大气层以外
八.参考文献
[1] 求是科技编著《MATLAB 7.0》人民邮电出版社2006
[2] 赵静、但琦主编《数学建模与数学实验》高等教育出版社2002
[3] 胡守信、李柏年编著《基于MATLAB的数学实验》科学出版社2004。

相关文档
最新文档