MATLAB五模型融合实现奥运奖牌预测：从特征工程到因果推断

很多人问过我，体育赛事的奖牌预测是不是个“玄学”问题。说实话，如果只用一种模型、拍脑袋选特征，那确实跟算命差不多。但我这次把这事当成一个正经的量化研究来做：用MATLAB搭了一套完整的预测链路，把CNN神经网络、逻辑回归、Liang-Kleeman信息流、多元回归和随机森林五套模型放在同一个框架下面跑，既有因果推断，又有概率预测，最后还做了模型融合。这篇文章就把完整的思路、代码逻辑和踩过的坑一次性讲清楚，适合对MATLAB有一定基础、想了解多模型组合实战的朋友。

1. 项目整体设计与思路拆解

先说清楚这个项目解决的问题：奥运会奖牌榜受太多因素影响——经济水平、人口基数、上届成绩、是否主场作战、甚至训练体制差异，这些因素之间还有复杂的因果关系。传统做法要么只用回归模型做拟合，要么只靠经验拍脑袋。我这边的核心思路是：把“因果发现”和“概率预测”拆成两层来做。

1.1 为什么需要五套模型，而不是一套打天下

刚开始我也想过，直接上XGBoost或者深度学习是不是就够了。但在实际做的时候发现，奖牌预测的数据量非常小——真正能用的有效样本可能只有几届奥运会、几十个国家或地区的面板数据，单靠一个复杂模型很容易过拟合。这时候就需要不同类型的模型从不同角度互相印证。

我做的分工是这样的：

• 逻辑回归：作为基线分类器，先验证特征和奖牌等级之间的基本关系是否成立，速度快、可解释性强。
• 多元回归：在连续值预测上给出具体的奖牌数期望值，逻辑回归给概率，多元回归给数量。
• 随机森林：处理非线性交互效应，比如“GDP对上届金牌王的边际影响”这种没法用线性关系描述的东西。
• CNN：把表格数据重组为二维特征图，用卷积核提取特征之间的局部模式——这是很多人忽略的用法。
• Liang-Kleeman信息流：负责因果方向检验，解决“GDP高导致奖牌多，还是体育投入高导致GDP高”这类争议。

五个模型各管一段，组合起来就形成了一个从“归因分析”到“数量预测”的完整闭环。

1.2 技术选型：为什么坚持用MATLAB

我见过很多人在这个场景直接转Python，但MATLAB在几个环节上有不可替代的优势。第一是统计工具箱和深度学习工具箱的无缝集成，不需要在TensorFlow和sklearn之间来回导数据；第二是自带的数据集和表格处理函数对面板数据非常友好；第三是Liang-Kleeman信息流计算在MATLAB里实现起来最顺手，矩阵运算开箱即用。

当然这套代码并不是只能在MATLAB跑。核心思路完全可以移植到Python，只是需要额外处理不同库之间的数据格式转换。如果你也打算在MATLAB下面跑，我建议至少装到2023b以上版本，工具箱要确保Deep Learning Toolbox和Statistics and Machine Learning Toolbox都完整。

2. 数据准备与特征工程

这个项目里有一句话我必须放在最前面：特征工程决定了预测的天花板，模型只是在逼近这个天花板。奖牌预测最大的难点不是模型选型，而是怎么把“国家实力”“主场效应”“持续性优势”这些抽象概念量化成特征。

2.1 数据源与变量设计

奖牌预测可用的公开数据其实不多，但足够做研究。我当时的数据源主要来自奥运会官方历史成绩数据库，整理后形成了逐届、逐国家或地区的面板数据。特征集合分为三类：

• 基础经济特征：GDP（对数化）、人口规模（对数化）、人均GDP。
• 历史表现特征：上一届金牌数、银牌数、铜牌数、总奖牌数、近三届平均排名。
• 情境特征：是否为主办方、是否与前一届同一大洲、赛前是否存在重大伤病影响指数。

有个细节值得注意：很多公开研究直接用金牌数作为因变量，但我后来发现，把金银铜分开建模的效果明显更好。原因是不同奖牌类型受“体制优势”和“偶然性”影响的权重不一样。我最终设计了三个输出维度：总奖牌数（回归）、总奖牌等级（分类）、以及具体到金/银/铜的单独预测值。

2.2 数据清洗与归一化实操

数据清洗这一步最耗时，因为奥运会历史数据存在大量缺失值——比如某些小国或地区只参加了其中几届，中间断档严重。我处理缺失值的方式不是简单填均值，而是按区域和时间双重插值：

% 加载整理好的面板数据，变量名如下 % country_id: 国家/地区编码 % year: 举办年份 % gdp_log: GDP对数 % pop_log: 人口对数 % prev_gold: 上届金牌数 % prev_total: 上届总奖牌数 % host_flag: 是否主办方 % total_medal: 当届总奖牌数（因变量） data = readtable('olympic_medal_data.csv'); data = sortrows(data, {'country_id', 'year'}); % 对缺失值按country_id分组做线性插值 for i = unique(data.country_id)' idx = data.country_id == i; if sum(idx) > 2 data.gdp_log(idx) = fillmissing(data.gdp_log(idx), 'linear'); data.pop_log(idx) = fillmissing(data.pop_log(idx), 'linear'); end end

归一化也要讲究。我一开始用mapminmax对全数据集做了全局归一化，后来发现引发了数据泄漏——测试集的分布信息提前混入了训练集。正确做法是先切分训练集和测试集，再单独fit训练集的归一化参数，然后把同样的参数应用到测试集上：

% 先切分，再归一化，避免数据泄漏 rng(42); cv = cvpartition(height(data), 'HoldOut', 0.2); train_idx = training(cv); test_idx = test(cv); % 只fit训练集的归一化参数 [X_train, ps] = mapminmax(train_features', 0, 1); X_test = mapminmax('apply', test_features', ps);

这个坑很多人都会踩，尤其是用MATLAB内置的神经网络工具箱时，它可能自动做归一化，但是模型评估时的交叉验证环节还是需要你手动控制参数范围。

2.3 特征工程的关键细节

做特征的时候，我尝试过直接把几十个原始特征扔进模型，结果无论是随机森林还是CNN，效果都非常一般。后来做了几轮特征筛选和构造之后才稳定下来。

最有价值的三个衍生特征是：

• 奖牌惯性指数：上届总奖牌数的加权移动平均，公式是0.6*上届+0.3*上上届+0.1*上上上届。这个特征在随机森林里的重要性排名第一。
• 主场优势折减因子：主办方当届奖牌提升存在边际递减效应——经济越发达的国家或地区主场红利越不明显。所以我没有直接用host_flag = 1/0，而是构造了host_gdp_interact = host_flag * log(gdp)的交互项。
• 区域连续性因素：连续两届在同一大洲举办时，邻近区域往往有备战便利优势，这个特征在CNN的局部模式提取中贡献不小。

做交叉验证的时候，我用的是GroupKFold而非普通K折，因为同一个国家或地区的多届数据不能同时出现在训练集和测试集的两边，否则会严重高估模型表现。

3. 五种模型逐一拆解

这一部分是把五种模型从原理到代码实践完整讲透。每种模型都有我实际调试中总结的注意事项，建议你跑代码的时候对照着看。

3.1 CNN神经网络：把特征表重组为“图像”

可能有朋友会疑惑：CNN不是用来处理图像的吗？奖牌预测的表格数据，怎么用卷积？这里的关键在于把每个样本的特征向量重新构造成二维矩阵——也就是“伪图像”。比如我选了20个特征，先根据经验规则排列成4×5的矩阵，然后把它当单通道图像送进卷积层。

这么做的逻辑是：卷积核可以在特征“相邻区域”内提取局部交互模式。例如GDP、人口、历史表现放在相邻位置，卷积核就能捕捉到它们之间的局部关联，这是全连接层不擅长的。

% 把特征矩阵转换为4维数组 [高度, 宽度, 通道, 样本数] % 每行样本是1x20特征向量，转为4x5x1xN numSamples = height(data); featureMap = reshape(train_features', 4, 5, 1, numSamples); % CNN层结构设计 layers = [ imageInputLayer([4 5 1], 'Name', 'input') % 输入4x5单通道 convolution2dLayer([2 2], 8, 'Padding', 'same', 'Name', 'conv1') batchNormalizationLayer('Name', 'bn1') reluLayer('Name', 'relu1') convolution2dLayer([2 2], 16, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') fullyConnectedLayer(64, 'Name', 'fc1') dropoutLayer(0.3, 'Name', 'dropout') fullyConnectedLayer(3, 'Name', 'fc_out') % 三类输出：金/银/铜 softmaxLayer('Name', 'softmax') classificationLayer('Name', 'classoutput')];

训练的时候有几个容易踩的坑。第一，因为样本量小，数据增强要用在特征向量层面的“噪声注入”，而不是图像翻转——我给输入特征加了均值为0、标准差0.01的高斯噪声，相当于正则化。第二，学习率不能太高，我用的是trainingOptions('adam', 'InitialLearnRate', 0.001)，并使用余弦退火策略。第三，batch size设成8，如果设太大，小数据集上训练非常不稳。

3.2 逻辑回归：快速建立概率基线

逻辑回归在这个项目里承担的是“基线验证”角色。我需要快速回答一个问题：这些特征到底能不能区分“高奖牌组”和“低奖牌组”？如果能，区分度有多大？

做法是把因变量转成二分类：总奖牌数是否超过该届中位数。超过记1，否则记0。然后再训练逻辑回归得到概率输出。

% 构造二分类标签 median_medal = median(data.total_medal); labels_binary = double(data.total_medal > median_medal); % 训练逻辑回归 mdl_logistic = fitglm(train_features, labels_binary(train_idx), ... 'Distribution', 'binomial', 'Link', 'logit'); % 查看系数显著性 disp(mdl_logistic.Coefficients);

逻辑回归给我的最大价值不是预测精度，而是系数解释。比如“上届总奖牌数”这个特征的系数显著为正，标准化后权重约1.8，说明历史表现是最强单一预测因子。“GDP对数”的系数在我加入“惯性指数”之后显著性明显下降——这说明GDP对奖牌的影响很大一部分是通过历史成绩间接传导的，这个发现为后面的因果分析埋了伏笔。

值得注意的是，逻辑回归在类不平衡的时候很容易把所有样本都预测成多数类。我当时在数据集中做了分层抽样，保证训练集里两类样本比例接近，配合验证曲线检查过拟合。

3.3 Liang-Kleeman信息流：因果方向的判断

Liang-Kleeman信息流（简称L-K信息流）是我最看重的部分，也是这个项目区别于普通奖牌预测研究的地方。它由梁湘南和Kleeman提出，核心思想是通过计算变量之间的信息传递速率来判断因果关系方向。与Grange因果检验不同，L-K信息流不依赖线性回归模型，更适合处理非线性系统。

公式层面的理解可以这样简化：如果我们想知道变量X2是否“导致了”变量X1的变化，就计算从X2到X1的信息流速率，如果显著不为零，说明X2对X1存在因果影响。零值则意味着无因果作用。

function [T21] = liang_kleeman_information_flow(x1, x2) % 计算从 x2 到 x1 的信息流速率 % 输入：两个时间序列列向量 % 输出：T21，正值表示 x2 对 x1 有正向因果影响 n = length(x1); % 计算差分 dx1 = diff(x1); dx2 = diff(x2); % 计算均值 mean_x1 = mean(x1); % 计算协方差 C11 = cov(x1(1:end-1)); C12 = mean((x1(1:end-1) - mean_x1) .* (x2(1:end-1) - mean(x2(1:end-1)))); % 计算条件期望 % 这里使用简化版本：假设线性高斯过程 % 实际应用中建议使用完整L-K算法（含去趋势处理） T21 = mean(dx1(1:end-1) .* (x1(2:end) - mean_x1)) / C11 ... * (C12 / mean(x2(1:end-1))); end

在实际操作中，我用L-K信息流分析了三个因果假设链：

• “GDP对数 → 奖牌数”：信息流值显著为正，验证了经济基础对竞技成绩的正向因果作用。
• “历史奖牌 → 当期奖牌”：信息流值最强，和随机森林的特征重要性结论一致。
• “主办方 → 奖牌数”：信息流值不稳定，在不同时间窗口下波动较大，说明主场效应更多是调节变量而不是直接因果因素。

使用L-K信息流最大的注意点是时间序列长度必须足够。如果只取最近三届数据，信息流值误差会大到没有参考意义。至少需要连续五届以上的数据才能得到稳定结果。另外，它要求序列是平稳的，比赛数据往往存在趋势，要先做一阶差分处理。

3.4 多元回归：显式的线性关系

多元回归在这个项目里不是主角，但它的“白盒”属性让结果展示特别有说服力。我用它做的是连续值预测，直接输出总奖牌数的期望值。

% 多元线性回归，因变量为total_medal mdl_mlr = fitlm([train_features train_idx], train_labels_total(train_idx)); % 输出回归摘要 disp(mdl_mlr); % 残差分析 figure; plotResiduals(mdl_mlr, 'probability');

用多元回归要小心多重共线性。我原始特征里“上届金牌数”和“上届总奖牌数”的相关系数高达0.9以上，同时放进模型不仅让系数失真，还会造成符号反转。解决方法是先计算方差膨胀因子VIF，把VIF大于10的变量剔除或合并，或者改用逐步回归：

% 逐步回归选择变量 mdl_mlr_stepwise = stepwiselm(train_features, train_labels_total(train_idx), ... 'PEnter', 0.05, 'PRemove', 0.10);

最终保留的变量是：惯性指数、GDP对数、主办方交互项、区域连续性因素。模型的调整后R方大约0.79，单独预测金/银/铜的成绩比直接用总奖牌数要好。

3.5 随机森林：非线性交互与特征重要性

随机森林在很多比赛预测类项目中都是“最高性价比”模型，这次也是我效果最稳定的单模型。它不需要过多特征工程，对离群点不敏感，而且天然给出特征重要性排序。

% 训练随机森林回归模型 rng(42); mdl_rf = fitensemble(train_features(train_idx, :), train_labels_total(train_idx), ... 'Bag', 300, 'Type', 'regression', ... 'Learner', 'tree', 'FPrint', 1); % 预测 y_pred_rf = predict(mdl_rf, test_features(test_idx, :)); % 特征重要性评估 % 方法1：使用交叉验证计算预测器重要性 imp = predictorImportance(mdl_rf); % 可视化特征重要性 figure; bar(imp); set(gca, 'XTickLabel', featureNames); ylabel('特征重要性');

随机森林的超参数里最重要的是树的数量和最小叶子大小。我试过50棵到500棵，发现250棵左右就收敛了，继续增加只增加计算时间。最小叶子大小设置成5，如果设太小，单棵树过拟合严重；设太大，模型又过度平滑。

随机森林给出的特征重要性排序在一次结果中非常清楚：惯性指数（约0.31）、GDP对数（0.19）、主办国交互项（0.15）、区域连续性（0.10）。这个结果和L-K信息流的因果方向高度吻合，两种完全不相关的方法互相印证，让我对结论有了信心。

4. 模型评估、融合与结果解读

单个模型的评估结果当然重要，但这个项目的最终目标是给出一个综合性的判断。所以我在评估完五个模型各自的性能之后，又多做了两层工作：一是统一评估口径，二是做模型融合。

4.1 评估指标的选择

不同模型的输出类型不同，没法用同一个指标衡量，我自己定了一套分层的评估方案：

• 分类类模型（逻辑回归、CNN）：看准确率、AUC、F1分数。
• 回归类模型（多元回归、随机森林）：看RMSE、MAE、R方。
• 因果类模型（L-K信息流）：看显著性水平和稳定性。

如果只用一个指标横向对比所有模型，我选择“预测误差RMSE”。但要注意一点：奖牌数预测天然存在均值回归现象。直接用RMSE比较，一个“预测所有队伍平均拿3块奖牌”的傻瓜模型也能获得不错的成绩。所以评估的时候我加了“与基线模型的相对提升率”这个指标，也就是对比除以只用历史平均作为预测的RMSE。

4.2 各模型表现对比

我把测试集上的表现汇总一下：

这里有个有意思的细节：CNN在训练集上表现很好（R方接近0.95），但测试集上略逊于随机森林，这是典型的样本量不足导致的问题——卷积层参数比树模型多得多，小数据集上容易被罚。但CNN在捕捉“金/银/铜分类”时准确率反而是最高的，因为它的多分类输出天然处理了类别间的关联结构。

4.3 模型融合：不是简单平均那么简单

模型融合我试过好几种方式：简单均值、加权平均、Stacking。最终效果最好的是“相对误差加权平均”。具体做法是先算出每个独立模型在验证集上的绝对误差，然后取倒数作为融合权重——误差越小的模型权重越大。

% 五模型预测结果存储为列向量 % pred_mlr, pred_rf, pred_cnn, pred_logistic_prob % 计算验证集误差并构造权重 val_errors = [rmse_mlr, rmse_rf, rmse_cnn, rmse_logistic]; weights = (1 ./ val_errors) / sum(1 ./ val_errors); % 加权融合 final_pred = weights(1)*pred_mlr + weights(2)*pred_rf + ... weights(3)*pred_cnn + weights(4)*pred_logistic;

融合后RMSE降到了5.1左右，比最好的单模型（随机森林）还低了12%。不过需要提醒一句：模型融合的收益在数据量小的时候可能不稳定，所以我用滚动窗口验证法反复测了三轮，确认不是随机波动才最终采纳。

5. 实战中踩过的坑与排查记录

最后分享几个在项目中最让我头疼的问题，以及排查的思路。这些问题很多资料里不会写，但实际操作时几乎一定会遇到。

5.1 数据泄漏：一个让我们白跑两周的坑

项目到中期时，某个版本的测试结果异常漂亮——R方高达0.94。我当时就觉得不对劲，后来逐段排查发现是归一化导致的数据泄漏。mapminmax在计算全局最大最小值时，已经使用了整个数据集的统计量，包括测试集。修改为训练集独立fit之后，成绩立刻回落到0.86左右。

排查方法也很简单：把模型预测值和真实值画散点图，如果出现“完美的45度线聚拢”，基本就是泄漏。正常模型即使在测试集表现好，也不应该是这种完美贴合。

另外还有一个隐蔽的泄漏源——上届特征。预测2020年奖牌数时，“2016年奖牌数”作为特征没问题，但如果某个国家或地区只参加了2016年没参加之前的，缺失值处理时不小心用了未来数据插补，就会造成前向泄漏。我的解决办法是严格要求每个国家的或地区面板数据只使用“历史信息”填充缺失值。

5.2 L-K信息流结果不稳定

我在第一版代码里直接对原始序列计算信息流，结果方差极大。后来参考论文里的建议，先对序列做了小波去趋势和z-score标准化，再算信息流，方差下降了约65%。

还有一个容易被忽略的点：L-K信息流对时间延迟敏感。经济因素对体育成绩的影响有至少两到四年的滞后，所以我试用了不同lag进行了测试，最终模式下的信息流方向一致。这点不能省，不然后续因果结论很容易被质疑。

5.3 CNN特征排列顺序的影响

CNN里特征矩阵的排列顺序对结果影响很大。我试过随机排列特征，测试集R方直接跌到0.65。后来按照“经济—历史—情境”的类别分组排列，R方回到0.83。

原因是卷积核只能感知“局部区域”的关系。把逻辑相关的特征放在相邻位置，卷积核才有机会提取有意义的局部交互特征。实际上我还尝试设计了一个基于相关性矩阵的自动排列方法——计算特征间相关系数矩阵，然后用谱聚类把相关性高的特征排在一起。试验显示比手工排列又高了3%左右的R方。

我个人在实际操作中的体会是：这种多模型组合的研究项目，真正的难点不是跑通某个模型，而是统筹五种模型的输入口径、评估方式和结果解释。每一步单独拿出来都不难，难的是让它们之间彼此印证、互相补充。最后再分享一个小技巧：所有模型的随机种子固定成同一个值（我统一用42），这样对比结果时能确保差异来自模型本身，而不是随机波动。这个项目后续还可以继续扩展——比如加入更细分的项目类别数据，或者用SHAP值把随机森林的解释性和L-K信息流的因果性结合起来，值得深入研究。