网站建设深圳哪里学,网络营销推广技术,开设网站维护公司,国际新闻最新消息十条已经写出国赛E题黄河水沙监测数据分析完整代码分析处理结果思路分析#xff08;30页#xff09;#xff0c;包括数据预处理、数据可视化#xff08;分组数据分布图可视化、相关系数热力图可视化、散点图可视化#xff09;、回归模型#xff08;决策树回归模型、随机森林回…已经写出国赛E题黄河水沙监测数据分析完整代码分析处理结果思路分析30页包括数据预处理、数据可视化分组数据分布图可视化、相关系数热力图可视化、散点图可视化、回归模型决策树回归模型、随机森林回归、GBDT回归、支持向量机回归、全连接神经网络后续持续更新。
完整代码结果思路文档下载地址见文末 E题 黄河水沙监测数据分析.... 2
问题1 分析与研究.... 3
目标1: 含沙量与时间、水位、水流量的关系.... 3
目标2: 并估算近6年该水文站的年总水流量和年总排沙量.... 3
第一步结合问题1的目标对数据进行与处理操作.... 3
第二步数据可视化分析查看数据之间的关系.... 4
分组数据分布图可视化.... 6
相关系数热力图可视化.... 12
散点图可视化.... 14
目标1:解决方案建立回归模型分析他们之间的关系预测含沙量.... 23
模型1:决策树回归模型.... 24
模型2随机森林回归.... 27
模型3: GBDT回归.... 29
模型4:支持向量机回归.... 29
模型5:全连接神经网络.... 30
问题2:解决方案估算近6年该水文站的年总水流量和年总排沙量31 国赛E题数学建模题目如下黄河是中华民族的母亲河。研究黄河水沙通量的变化规律对沿黄流域的环境治理、气候变化和人民生活的影响以及对优化黄河流域水资源分配、协调人地关系、调水调沙、防洪减灾等方面都具有重要的理论指导意义。
附件1给出了位于小浪底水库下游黄河某水文站近 6年的水位、水流量与含沙量的实际监测数据附件 2给出了该水文站近 6年黄河断面的测量数据附件 3给出了该水文站部分监测点的相关数据。请建立数学模型研究以下问题
问题1 研究该水文站黄河水的含沙量与时间、水位、水流量的关系并估算近 6年该水文站的年总水流量和年总排沙量。
问题2 分析近 6年该水文站水沙通量的突变性、季节性和周期性等特性研究水沙通量的变化规律。
问题3 根据该水文站水沙通量的变化规律 预测分析该水文站未来两年水沙通量的变化趋势 并 为该水文站制订未来两年最优的采样监测方案采样监测次数和具体时间等使其既能及时掌握水沙通量的动态变化情况又能最大程度地减少监测成本资源。
问题4 根据该水文站的水沙通量和河底高程的变化情况分析每年 6 7月小浪底水库进行“调水调沙”的实际效果。如果不进行“调水调沙” 10年以后该水文站的河底高程会如何 问题分析
问题1 研究该水文站黄河水的含沙量与时间、水位、水流量的关系并估算近 6年该水文站的年总水流量和年总排沙量。完整文档和代码见文末地址
首先导入相关库
## 设置图像显示情况
%config InlineBackend.figure_format retina
%matplotlib inline
import seaborn as sns ## 设置中文字体显示
sns.set(font SimSun,stylewhitegrid,font_scale1.4)
import matplotlib ## 解决坐标轴的负号显示问题
matplotlib.rcParams[axes.unicode_minus]False
## 导入需要的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import missingno as msno
from scipy import stats
import statsmodels.api as sm
import statsmodels.formula.api as smf
from statsmodels.stats.multicomp import pairwise_tukeyhsd
import plotly.express as px## 忽略提醒
import warnings
warnings.filterwarnings(ignore) 问题1 分析与研究
2023国赛数学建模E题问题1分析如下 首先是目标1: 含沙量与时间、水位、水流量的关系
子问题含沙量与时间的关系、含沙量与水位的关系、含沙量与水流量的关系注意可以分别分析两者之间的关系建模也可以分析一个和多个变量之间关系的建模
分析方式和步骤可以是1数据清洗与整理得到感兴趣的数据利用可视化辅助分析之间的关系利用相关性分析、回归分析等模型建立数据之间的定量关系。完整文档和代码见文末地址
接着是目标2: 并估算近6年该水文站的年总水流量和年总排沙量
子问题总排沙量理论上可以通过水流量和含沙量计算得到。因此重点还是分析年总水流量与含沙量之间的情况。
分析方式和步骤可以是1数据清洗与整理得到感兴趣的数据利用可视化辅助分析之间的关系通过相应的计算获取目标数据。 第一步结合问题1的目标对数据进行与处理操作
结合附件1中给出的数据特点我们将提供的的数据量计精确到以天为单位的精度。
第二步数据可视化分析查看数据之间的关系
## 根据时间变量变化的数据散点图可视化## 水位的变化情况
plt.figure(figsize(12,3))
p sns.lineplot(datadfq1, x日期, y水位,lw 2)
plt.xlabel(时间)
plt.ylabel(水位(m))
plt.title()
plt.savefig(figs/水位的变化情况.png, dpi300, bbox_inchestight)
plt.show()## 流量的变化情况
plt.figure(figsize(12,3))
p sns.lineplot(datadfq1, x日期, y流量,lw 2)
plt.xlabel(时间)
plt.ylabel(流量($m^3$/s))
plt.title()
plt.savefig(figs/流量的变化情况.png, dpi300, bbox_inchestight)
plt.show()## 含沙量的变化情况
plt.figure(figsize(12,3))
p sns.lineplot(datadfq1, x日期, y含沙量,lw 2)
plt.xlabel(时间)
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/含沙量的变化情况.png,dpi300,bbox_inchestight)
plt.show()## 可以发现在含沙量等特征的变化情况 分组数据分布图可视化
针对含沙量数据进一步的分析其随时间年份上的变化趋势
sns.swarmplot(datadfq1, x年, y含沙量, hue年)
plt.xlabel(年)
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/含沙量数据随时间年份上的变化趋势.png, dpi300, bbox_inchestight)
plt.show()## 可以发现2018-2021年含沙量普遍偏高## 针对含沙量数据进一步的分析其随时间月份上的变化趋势
plt.figure(figsize(12,6))
sns.swarmplot(datadfq1, x月, y含沙量, hue月)
plt.xlabel(月)
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/含沙量数据随时间月份上的变化趋势.png, dpi300, bbox_inchestight)
plt.show() 从可视化图像可以发现含沙量明显的受到年、月两个变量的影响即受到时间的影响完整代码见文末地址
相关系数热力图可视化
完整代码见文末地址
Index([年, 月, 日, 水位, 流量, 含沙量, 日期], dtypeobject)## 可以计算几个特征之间的相关系数从而展示相关性的大小## 也可以特征之间的秩相关系数
corrdf dfq1[[年,月,日,水位,流量,含沙量]]
corrdfval corrdf.corr(method pearson)
print(corrdfval)
## 可视化相关系数热力图
plt.figure(figsize(10,8))
ax sns.heatmap(corrdfval,squareTrue,annotTrue,fmt .2f,linewidths.5,cmapYlGnBu,cbar_kws{fraction:0.046, pad:0.03})
ax.set_title(相关性(pearson))
plt.savefig(figs/相关系数热力图.png, dpi300, bbox_inchestight)
plt.show() 可以发现 含沙量与日无关月年和月是弱相关性与水位、流量的相关性较强这里分析的是线性关系 散点图可视化
2023数学建模国赛E题可视化水位与含沙量之间的散点图
完整代码见文末地址
plt.figure(figsize(12,6))
sns.scatterplot(datadfq1,x水位, y含沙量,paletteSet1,s 60)
plt.xlabel(水位(m))
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/水位与含沙量之间的散点图1.png, dpi300, bbox_inchestight)
plt.show()## 可视化 水位月含沙量之间的散点图
# plt.figure(figsize(12,6))
sns.lmplot(datadfq1,x水位, y含沙量, paletteSet1,height6,aspect1.5)
plt.xlabel(水位(m))
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/水位与含沙量之间的散点图2.png, dpi300, bbox_inchestight)
plt.show()plt.figure(figsize(12,6))
sns.scatterplot(datadfq1,x水位, y含沙量, hue年,paletteSet1,s 60)
plt.xlabel(水位(m))
plt.ylabel(含沙量(kg/$m^3$))
plt.title()
plt.savefig(figs/水位与含沙量之间的散点图3.png, dpi300, bbox_inchestight)
plt.show() 含沙量和流量之间可能并不是简单的线性关系还受到其他特征的影响。而且和前面与水位之间的数据分布很相似可能使用其中的一个就能很好的表达含沙量
目标1:解决方案建立回归模型分析他们之间的关系预测含沙量
from sklearn.ensemble import RandomForestRegressor,GradientBoostingRegressor
from sklearn.svm import SVR,LinearSVR
from sklearn.tree import *
from sklearn.metrics import *
from sklearn.neural_network import MLPRegressor
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import graphviz
import pydotplus
from IPython.display import Image
from io import StringIO 模型1:决策树回归模型
建立决策树回归模型对数据进行预测,使用默认参数 从模型对因变量的预测效果可以知道模型很好的预测了数据的变化趋势
分析不同深度下在训练集和测试机上的预测精度 除了模型1:决策树回归模型外后续还有模型2随机森林回归、模型3: GBDT回归、模型4:支持向量机回归、模型5:全连接神经网络。 完整代码结果思路文档下载2023数学建模国赛E题完整代码和文档
