时间序列建模在数学竞赛中的Matlab实践

1. 时间序列模型在数学建模中的应用价值

时间序列分析作为数学建模竞赛中的常青树，几乎每年都会以不同形式出现在国赛和美赛的赛题中。记得2019年C题"出租车资源配置"的优秀论文里，就有队伍创新性地将ARIMA模型与空间聚类结合，解决了高峰时段车辆调度问题。这种将时序分析与实际问题结合的思路，正是数学建模的精髓所在。

在Matlab环境下处理时间序列有其独特优势。相比Python的statsmodels或R的forecast包，Matlab的Econometrics Toolbox提供了更直观的图形化建模流程，特别适合48小时高强度竞赛环境。我参加过五届数学建模竞赛，发现约70%的时间序列问题都可以用Matlab的标准工具链解决，剩下的30%则需要结合Signal Processing Toolbox进行特殊处理。

2. 时间序列建模的核心算法解析

2.1 平稳性检验方法与实现

ADF检验在Matlab中通过adftest()函数实现，但新手常犯的错误是直接使用默认参数。实际建模时需要注意：

[h,pValue,stat,cValue] = adftest(data,'Model','TS','Lags',0:15);

这里的'TS'表示包含趋势项和截距项，lag的选择建议用BIC准则自动确定。去年指导的一个队伍在处理2020年国赛C题时，就因为忽略趋势项导致后续预测出现系统性偏差。

KPSS检验则要用到kpsstest()函数，它与ADF检验形成互补：

[h,pValue] = kpsstest(data,'Trend',true);

当两个检验结论矛盾时，通常表明序列存在结构突变点，这时就需要用到我将在2.3节介绍的断点检测技术。

2.2 模型识别与定阶技巧

自相关图(ACF)和偏自相关图(PACF)的绘制看似简单，实则暗藏玄机：

autocorr(detrend_data,'NumLags',40); parcorr(detrend_data,'NumLags',40);

关键是要先去除趋势项，否则相关图会出现典型的缓慢衰减模式。在2024年C题"碳排放预测"中，有队伍就是没有正确去趋势，导致误判为ARIMA(2,1,2)模型，实际应该是ARIMA(1,0,0)。

对于季节性模型，推荐使用stepwise自动定阶：

model = arima('ARLags',1:2,'D',1,'Seasonality',12); fit = estimate(model,data);

但要注意，这种方法可能过拟合，最好结合AICc准则进行验证。

3. 典型建模场景与Matlab实现

3.1 趋势+季节+随机项的分解

MATLAB 2025版更新了更强大的分解函数：

[trend,seasonal,residual] = decompose(data,... 'Seasonality','multiplicative',... 'TrendSmoother','loess',... 'SeasonalSmoother','stl');

在处理2026年研究生赛的氦气产业链数据时，乘法模型明显优于加法模型，特别是在处理具有指数增长趋势的产能数据时。

3.2 多变量时间序列建模

VAR模型在Matlab中的实现需要注意协整检验：

[~,~,~,~,mles] = jcitest(data,'Model','H1*'); [coeff,~,~,~,~] = vgxvarx(mles.rnparam,data,[],[]);

去年有队伍在处理AEB算法仿真数据时，忽略了变量间的协整关系，导致构建的PID控制器出现严重超调。

4. 竞赛实战经验与避坑指南

4.1 数据预处理黄金法则

1. 缺失值处理优先使用线性插值而非均值填充：

filled_data = fillmissing(raw_data,'linear');

2. 异常值检测建议使用移动中位数法：

[cleaned_data,TF] = rmoutliers(data,'movmedian',24);

4.2 模型验证的三大陷阱

1. 避免在滚动预测中使用未来信息，这是2025年高教社杯有队伍犯的致命错误
2. 样本外测试集至少要包含2个完整周期
3. 对于波动剧烈数据，建议使用Diebold-Mariano检验比较模型

5. 前沿扩展与性能优化

5.1 深度学习与传统模型的融合

最新的Matlab 2026支持直接调用TensorFlow模型：

net = importKerasNetwork('lstm_model.h5'); pred = predict(net,test_data);

但在数学建模竞赛中，简单的LSTM可能还不如精心调参的SARIMAX模型，这点在2024年C题中得到验证。

5.2 大内存数据处理技巧

当处理BSM1污水处理仿真包这类大数据时：

ds = datastore('bigdata.mat'); while hasdata(ds) chunk = read(ds); % 分块处理逻辑 end

这种流式处理方法可以避免内存溢出，特别适合含有沉淀池建模等复杂过程的仿真数据。