一图流
| 赛道 | 题目难度 | 数据处理难度 | 模型难度 | 备注 |
| A | 高 | 低 | 高 | 需要物理模型和优化算法来预测物体在水中的行为和搜索策略，数据相对简单，主要挑战在于环境模拟和策略优化。 |
| B | 中等 | 高 | 中等 | 涉及大数据处理、特征工程、机器学习模型选择和调优。数据量大，特征多，需预测的指标多样，涉及复杂的数据预处理和高维模型构建。 |
| C | 中高 | 中等 | 中等 | 主要围绕时间序列分析和需求预测，需要处理历史数据的稀疏性和不稳定性，模型需要处理时间依赖性和季节性因素。 |
| 选题比例评估:A:B:C=1:8:1 赛题综合难度：A:B:C=1:0.8:0.6 | ||||
赛道A：抢救落水手机
- 问题1： 在西湖游船上，华为 Mate 60 Pro手机掉落到西湖中。研究该手机可能的掉落范围及最优搜索策略。假设西湖的水是静水。
- 问题2： 在京杭大运河拱宸桥附近，同款手机掉落到水中。研究手机可能的掉落范围及最优搜索策略。
- 问题3： 如果掉落物是一张居民身份证，重复问题1和问题2。
- 问题4： 基于以上研究，为提高打捞成功率，给打捞人员提供相关建议。
此题目涉及物理学和最优化算法。主要问题是估计物体在水中的可能掉落范围，并设计最佳的搜索策略。这可能涉及流体动力学（考虑水的流动情况）、物体的浮力和下沉速度、以及搜索和回收技术。建模可以从简单的物理模型开始，考虑静水和流动水的情况，并逐步引入更复杂的环境因素如风速和水流。
赛道B：人工智能范式的物理化学家
- 问题1： 对给定数据进行预处理，研究y2与分子id之间的函数关系，尝试直接通过id预测y2。
- 问题2： 对数据中的某些特征进行分析，建立预测y1的模型，选择不超过10个特征指标。
- 问题3： 分析y3与其它特征间的函数关系，建立y3的预测模型，进行特征指标的灵敏度分析。
- 问题4： 分析类别“class”与其它指标之间的关系，建立分子的类别预测模型。
- 问题5： 描述提高模型预测精度的方法，重新对特定指标及类别进行预测。
这一题目主要是数据科学和机器学习应用在化学研究上。您需要从提供的大规模数据集中发现规律，构建模型，预测化学物质的物理化学性质。这将包括数据预处理、特征选择、模型构建和验证。问题涉及使用先进的机器学习技术，如深度学习、贝叶斯优化等，来处理高维数据和预测未知的化学属性。
赛道C：汽后配件需求预测问题
- 问题1： 使用历史订单数据预测未来一个月内商家在某仓库的配件需求量，并评价历史回测期间的准确率。
- 问题2： 进行区间预测，为各配件的需求量给出不同分位数的预测值，并讨论这些预测的准确率。
- 问题3： 分析由配件日需求量形成的时间序列，研究每一类的特征，以帮助进行更精准的预测。
这个问题属于供应链管理领域，主要是时间序列分析和预测。您需要根据历史销售数据预测未来的需求量，这可能包括处理稀疏数据、异常值处理和需求预测模型的建立。模型可以是传统的统计模型，如ARIMA，或是现代的机器学习模型，如随机森林和神经网络。
)
