数学建模实战：用奥运会奖牌预测走通数据清洗到模型选型全流程

简介：一份围绕奥运会奖牌预测的数学建模学习文档，适合数学建模竞赛参赛者、统计与预测方向学习者参考。文档以中国代表团近五届奥运奖牌数据为案例，完整演示GM(1,1)灰色预测模型的建模流程，包括数据累加生成、参数求解、残差检验、关联度检验与后验差检验，并对模型进行残差修正；同时引入二次指数平滑模型对比预测，给出金牌42-43枚、总奖牌66-67枚等具体结果。文档还介绍利用层次分析法与模糊综合评价评估国家体育实力的思路，处理难以量化的指标。内容覆盖数据预处理、MATLAB 7.0实现、模型精度检验、结果对比与优缺点分析，便于读者掌握从问题分析到模型改进的完整方法。文档结构完整，从问题重述、基本假设、变量说明到模型建立与检验，层层递进，适合初学者按步骤学习。压缩包内包含1个doc文档，大小657KB，已有555人学习下载。通过该文档，读者可系统学习灰色预测、指数平滑、模糊综合评价等常用建模技术，并迁移到其他预测与评价问题中。

1. 数学建模学习方法：为什么第一课就要做奥运会奖牌预测

很多新手学数学建模，上来就啃算法，从层次分析法到灰色系统再到神经网络，书翻了不少，拿到一道陌生题目还是不知道第一步做什么。我自己带队的经验是：与其先堆算法，不如挑一道数据公开、答案透明的题目，把完整流程走一遍。奥运会奖牌预测就是这样的题——每届的奖牌数据就摆在明面上，预测准不准，赛后一查榜单便知分晓。这篇文章不写“数学建模学习方法”的空道理，而是用奖牌预测当主线，把赛题拆解、数据清洗、模型选型和结果交付的全套步骤讲透，顺带把我踩过坑的地方也交代清楚。

2. 赛题拆解先行：奖牌口径怎么定、影响因子怎么筛

2.1 先把“预测奖牌”翻成数学语言：目标变量、样本与假设

数学建模的第一步不是打开电脑跑代码，而是把题目用数学语言重写一遍。“预测奥运会奖牌”听起来是人话，但你必须回答四个问题：预测的目标是谁，是中国队、前几名强队还是全部参赛队伍；预测的是金牌数、奖牌总数还是奖牌榜排名；用哪几届的数据做输入；赛后用哪个指标来评价你的预测。

我习惯拿到题的第一天就画一张四行单：目标变量、样本范围、可用数据、评价方式。目标变量是模型要输出的那个数；样本范围要写清楚是一个国家还是全部参赛队，这直接决定后续数据清洗的工作量——算上小国和部分年份缺席的国家，完整奖牌表有一百多个实体；可用数据这一行要列出能拿到的年份跨度，有多少届数据决定了你能用什么模型，只有五六届数据时，任何深度学习方案都可以直接删掉了；评价方式提前想好赛后怎么算分，用相对误差还是绝对误差，这会反过来影响你处理异常值的态度。

这四行写清楚，后面几天基本不会白干。我带过的队伍里，最常出现的推倒重来不是模型写不出来，而是第一天没把口径定死，第三天发现数据与自己想象的不一样才慌忙返工。这一步看似没有产出，却是整个流程里性价比最高的一步。研究生数学建模竞赛里很多论文翻车，也是因为开篇的问题重述含糊，后面所有模型都建在沙地上。

2.2 金牌、奖牌总数还是积分排名：不同口径的建模差异

第二件必须拍板的事是“奖牌”的口径。奥运会奖牌统计至少有三种方式：金牌总数、奖牌总数（金加银加铜）、或者用积分加权（金记 3 分、银记 2 分、铜记 1 分）去排奖牌榜。这三种口径对模型的影响是结构性的，不是改一个输出维度那么简单。

具体拿中国队举例：2008 年主场拿到 51 金，2012 年伦敦回落到 38 金，2016 年里约 26 金，金牌序列像过山车；但奖牌总数从 100 到 88 再到 70，趋势相对线性。所以要做宏观预测，我一般把奖牌总数当作主目标，把金牌数当作辅助参考或解释变量，这样第 2.3 节的影响因子清单才接得住。

定好口径就不要中途更换，队伍里最怕两个人各跑一套，最后写论文时发现图和表对不上。定口径时顺手写进“模型假设”一节，既防止队友跑偏，也是阅卷老师最喜欢看到的第一处严谨。这里补一句如果你参加的是强调数据规范性的赛题，这种细节经常会被单独检查，马虎不得。

2.3 影响因子清单怎么筛：GDP、人口、主场优势与“说不清”的变量

目标变量定了，下一步是把能影响奖牌数的因素都摆上桌。常见影响因子包括：GDP（代表经济投入能力）、人口（代表人才基数）、上一届奖牌数（滞后变量，涵盖训练体系、体制优势等说不清的因素）、主场优势（东道主参赛项目更多，裁判与观众因素都有加成）、以及当年的重大政治或经济事件。

我的筛选分两层。第一层按可解释性和数据可得性过滤，像“国民运动氛围”这种定性指标没有可靠数据源，就不进模型，只在论文里做定性讨论。第二层做对照实验：先只放滞后变量和主场哑变量跑一个基线，再在基线基础上加 GDP 对数和人口对数，比较测试集误差。多加的变量没有让误差明显下降，就果断砍掉。

新手容易忽略的点是：GDP 和人口数值跨度大，直接放进线性回归，系数会被拖到小数点后好几位，而且两者之间还有多重共线性——富国往往人口基数也不小。常规做法是取对数再进模型，既压缩量纲，又把边际效应从线性变成比例关系。至于多重共线性，可以顺手查一下 VIF，大于 10 的两个变量保留一个即可。这个处理在第 3 章会直接写进代码。

3. 数据准备决定模型上限：奖牌数据清洗与特征工程

3.1 历年奖牌数据从哪找、怎么对齐年份与国别

奖牌数据最大的优点是公开：奥运会官网的历年结果、维基百科的奖牌表、Kaggle 上整理好的数据集都能用。但真正动手时你会发现数据“脏”得超出预期。最常见的麻烦是国别不一致——同一个国家在不同年份可能以不同代码出现，比如俄罗斯既有 RUS 也有 ROC 这样的中立身份；东西德合并前后是两行数据；苏联解体后各加盟共和国从 1992 年独联体变成独立的多行记录。

对齐的做法是建一张国家映射表，把同一个政权实体在不同年份的条目合并。我一般先按 year 和 country 做透视，再手动维护一份别名映射，把类似“ROC 映射为 RUS、FRG 合并为 GER”的对应关系写死。夏季奥运会从 1988 年到 2020 年是 9 届，对时间序列建模来说刚过及格线；如果把 1960 年以前的也拉进来，要留意当时参赛国少、项目少，奖牌含金量和现在完全不在一个量级，作为训练数据要谨慎。

3.2 缺失与异常值处理：抵制、解体与项目变动

奖牌数据里几乎没有“缺一格”的缺失，因为奖牌结果天然是完整的——真正的缺失是“该有而没有”。1980 年莫斯科和 1984 年洛杉矶两届奥运会，美苏互相抵制，大量强队缺席。把 1984 年中国队 15 金 8 银 9 铜直接当作正常样本喂给模型，模型预测 1988 年汉城就会严重高估，因为那年真实成绩掉到 5 金 11 银 12 铜，这就是典型的翻车做法。

处理办法是把抵制届设成哑变量或者直接剔除。我倾向于剔除后单独讨论，因为这两届的干扰不是随机噪声，而是结构性断裂。另一种隐蔽异常是项目数量膨胀：2008 年北京奥运会 302 个小项，2024 年巴黎奥运会 329 个小项，项目变多天然推高奖牌总数。年份与项目数高度共线，模型会把“年份”当成代理变量去拟合项目增长。应对手段是加一个“当届项目总数”的特征，或者在论文结论里明确承认这项影响，不强行修补数据。

缺失值方面，新成立或近年才稳定参赛的小国，上届成绩缺失是常态。我的策略是：缺失的滞后变量不填 0，而用该国历史奖牌数的中位数填充。填 0 会让模型误以为这个国家完全没有竞争力，实际上它只是上一届没参加或成绩没进榜。这一条处理不好，后面所有关于小国的预测都会系统性偏低。

3.3 用 Python 做特征工程：归一化、滞后变量与主场哑变量

到这里开始写代码。我用 pandas 处理一份按年份、国家、金、银、铜展开的原始表，目标是生成模型输入矩阵：

import pandas as pd import numpy as np df = pd.read_csv("medals_raw.csv") df["total"] = df["gold"] + df["silver"] + df["bronze"] # 滞后变量：上一届该国的奖牌总数，涵盖训练体系等隐性因素 df = df.sort_values(["country", "year"]) df["total_lag"] = df.groupby("country")["total"].shift(1) # 主场哑变量：当届举办国记为1，其余为0，捕捉东道主加成 host_map = {2008: "CHN", 2012: "GBR", 2016: "BRA", 2020: "JPN"} df["host"] = df.apply( lambda r: 1 if host_map.get(r["year"]) == r["country"] else 0, axis=1 ) # GDP、人口取对数压缩量纲，并处理缺失 df["gdp_log"] = np.log(df["gdp"] + 1) df["pop_log"] = np.log(df["population"] + 1) # 剔除抵制年与无历史成绩的新参赛国，若需保留则改用中位数填充 df = df[~df["year"].isin([1980, 1984])] df = df.dropna(subset=["total_lag", "gdp_log", "pop_log"])

三个参数值得说。第一，滞后变量用 groupby 加 shift(1)，取的是同一个国家上一届的数据，而不是上一年，所以必须先按年份排序；如果直接 shift(1) 而不按 country 分组，会把智利的上一届错位到中国的当届头上，这个错误我当时查了一个下午。第二，GDP 取对数前先加 1，是为了避免个别小国 GDP 为 0 的记录产生负无穷，数据源里确实有录入成 0 的情况。第三，dropna 会直接砍掉没有滞后变量的新参赛国，如果你要预测全部国家，这里要换成中位数填充，否则样本量缩水会直接压低小国预测的可靠性。

数据规范化处理这几年在数学建模竞赛里经常被单拎出来检查，本质就是这一节做的事：把不同量纲的输入统一到可比尺度。做的时候记得把每一列的处理方式写进论文的数据预处理部分，评委对这一步的看重程度，有时候比模型本身还高。

4. 模型选择不收智商税：回归、灰色预测与机器学习怎么取舍

4.1 先用线性回归跑通基线：系数比 R² 更值得读

奖牌预测的默认基线是多元线性回归。原因很朴素：样本量只有九届左右，特征不过三五个，线性模型可解释性最强，赛后写报告也最容易跟人讲清楚。我一般是把第 3 章生成的矩阵直接喂给线性回归，先看每个系数的符号和量级，而不是先盯 R²。

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error X = df[["total_lag", "host", "gdp_log", "pop_log"]].values y = df["total"].values # 按时间切分：前7届训练，最后2届当验证集，避免随机切分造成数据泄漏 train_mask = df["year"] <= 2016 val_mask = df["year"] > 2016 model = LinearRegression() model.fit(X[train_mask], y[train_mask]) pred = model.predict(X[val_mask]) print("coef:", dict(zip( ["total_lag", "host", "gdp_log", "pop_log"], model.coef_.round(3) ))) print("MAE:", round(mean_absolute_error(y[val_mask], pred), 2))

关键在 train_mask 按年份切分而不是随机切分。相邻届次的数据高度相关，随机切分会把 2016 年当训练、2012 年当验证，模型相当于提前见过后面的趋势，验证集误差会假性好看。系数解读上，total_lag 的系数通常在 0.6 到 0.8 之间，说明上一届表现是当前届最强的锚点；host 系数显著为正时，说明主场优势真实存在。如果 gdp_log 和 pop_log 的系数不显著，就返回第 2.3 节把它们删掉重跑。

4.2 GM(1,1) 灰色预测为什么适配奖牌小样本

如果只预测一个国家，且历史数据只有五六届，线性回归会因样本太少而抖得厉害，此时灰色预测 GM(1,1) 是更稳的选择。灰色系统的思路是不管内部机制多复杂，只看序列本身的增长趋势，把原始序列做一次累加生成，再用指数曲线拟合。

def gm11(x0, n_forecast=1): """一阶单变量灰色预测。x0: 该国历届奖牌总数序列，按期次排列""" arr = np.asarray(x0, dtype=float) x1 = np.cumsum(arr) # 一次累加：把波动序列变成单调序列 z1 = (x1[:-1] + x1[1:]) / 2 # 紧邻均值生成序列 B = np.column_stack([-z1, np.ones(len(arr) - 1)]) Y = arr[1:] # 最小二乘求解发展系数 a 与灰作用量 b a, b = np.linalg.lstsq(B, Y, rcond=None)[0] pred = np.zeros(len(arr) + n_forecast) pred[0] = arr[0] for k in range(1, len(pred)): pred[k] = (arr[0] - b / a) * np.exp(-a * k) * (1 - np.exp(a)) return pred[-n_forecast:].round(1), round(a, 4) # 以中国1988—2020年奖牌总数为例 china = [24, 50, 59, 63, 59, 100, 88, 70] next_val, a = gm11(china) print("下一届预测:", next_val, "发展系数 a =", a)

注意：灰色预测对数据量要求很低，三四期数据就能出一个趋势，这也是它最大的坑——序列越短，预测对“指数增长假设”越敏感。当 a 的绝对值大于 0.3 时，说明序列增长过快或不稳定，模型输出基本不可信。

我在实际项目里只把 GM(1,1) 当作单国预测的辅助手段，用来和回归结果互相印证，而不是把它写成论文里的唯一主角。两套结果方向一致时，报告就硬气；不一致时，正好回去查是特征的问题还是序列本身不稳定。

4.3 随机森林适合这个场景吗：样本量是硬约束

很多队伍拿到奖牌预测第一反应是上随机森林或 XGBoost，理由是特征里有非线性关系。理论上没错，但落到这个赛题，样本量是硬约束——训练集最多九届乘一百多个国家，撑死一千条样本，特征只有五个左右。随机森林在这个数据规模上学到的所谓非线性，大概率是噪声而不是规律。

我的判断标准很朴素：当特征数量除以样本量接近 0.1 时，树模型可以试；当样本量只有几百条、特征只是个位数，线性回归加正则化就是最稳的选择。如果你想展示一点高级方法，可以加一棵不调参的决策树做对照，但它的作用应该是证明复杂模型在小区间上不比基线好，而不是证明你会调库。评委看的是你有没有意识到样本量配不上模型复杂度。

5. 检验模型避坑指南：奖牌预测里最常见的四个建模错误

5.1 数据泄漏：把当届信息提前喂进训练集

现象：训练集 R² 高达 0.95，验证集表现也漂亮，但你拿模型去预测下一届时，偏差大到没法看。

原因：最常见的是特征里混进了当届信息。有人直接用当年的 GDP、当年的人口做特征，但比赛还没办，当年的 GDP 数据你根本拿不到；还有人把“当届参赛项目总数”当特征，这个数要等赛程定下来才知道，本质上也是泄漏。

解决：把所有特征按“赛前可知”过滤一遍。滞后变量、上届成绩、东道主、近几届平均成绩都是赛前可知的；当届 GDP 可以用上一年或上季度的数据近似，但精确值拿不到，最好的做法是干脆不用。还有些错位是把 2016 年巴西的奖牌数当成 2012 年数据喂进去，这就是分组时没按 country 加 year 做键，回第 3.3 节检查代码即可。

5.2 回测切分不按时间：预测过去不算真本事

现象：验证集误差很小，但一眼假——模型连 1988 年汉城那种剧变也“预测”得很准，仔细一看那批样本其实在训练集里见过。

原因：随机切分 train_test_split 在时间序列数据上是毒药。相邻两届奖牌高度相关，随机切分会把 2012 和 2016 一届分到训练、一届分到验证，模型早就看过答案了。

解决：任何时序预测都按年份切分，训练集用 2016 年以前，验证集留最近一到两届。如果是跨赛题迁移，连最近一届都要留到最后一刻才拿出来验证。我习惯把切分代码写在数据处理脚本的最前面，而不是建模快写完才想起要切，这样整个流程不会被自己的回测结果骗过去。

5.3 误差只看 R² 不看 MAPE：高拟合背后的假象

现象：R² 到了 0.91，感觉稳了，结果一看绝对误差，中国队实际 38 金预测 32 金，差了 6 枚，报告都不好意思写。

原因：R² 衡量的是模型相对均值解释了多少方差，它对大数敏感、对小国没感觉。美国队奖牌总数一百多枚，差五枚只占 5%；一个小国预测 2 枚实际 5 枚，绝对误差 3 但相对误差 150%，R² 几乎不反映这种问题。

解决：多报三个数——MAE 看平均偏离多少，MAPE 看相对误差百分比，再分国家组看误差分布。奖牌预测这种量级悬殊的题目，我建议以 MAPE 为主要指标，并在论文里画一张预测对实际的散点图，让读者直接看见哪些国家被高估、哪些被低估。散点图比任何统计量都更能暴露模型偏好。

5.4 只给点估计不给区间：交付时容易被质疑

现象：模型输出“中国队下一届 88 枚奖牌”，结果实际 70 枚，差 18 枚，整篇论文的可信度瞬间被打折扣。

原因：点估计天然丢掉了不确定性信息。奖牌预测涉及伤病、抽签、判罚、项目调整等太多不可控因素，任何单一数字都只是条件期望，不是断言。

解决：给区间，而且给可解释的区间。线性回归可以直接输出预测区间；树模型可以用验证集的误差分布给点估计加减 1.96 倍标准差；更简单的办法是拿最近五届的历史波动幅度画一条误差带。我在最终交付时习惯写“88 枚，上下浮动 10 枚”，而不是一个干巴巴的 88。记住，模型输出的是条件期望，不是水晶球，这句话也应该写进论文结论段，算是提前给质疑者一个台阶。

6. 把奖牌预测的建模流程固化成模板，迁移到下一道赛题

做完一次奖牌预测，最重要的事不是把论文存成 .doc 交差，而是把流程抽成一套可复用的模板。我的固定流程是这样：问题重述四行单（目标变量、样本、数据、评价方式）→ 口径与假设清单 → 数据清洗与特征工程 → 基线模型 → 按时间切分回测 → 输出点估计加区间 → 论文里交代每一步数据处理的修正。这套流程在数学建模里是通用的，无论题目换成研究生数学建模竞赛里那些需要处理大量表格的 E 题，还是 2025、2026 年赛题里数据维度更杂的预测题，你只要把目标变量和样本范围换掉，其他环节几乎原样复用。

迁移时有几个值得固化的习惯。第一，特征工程永远先做滞后变量和哑变量，再做量纲处理，而且每一步都留注释——赛程只有三天，第三天凌晨你大概率会忘了第二天早上写过什么。第二，把数据规范化处理做成一个独立函数放在脚本顶部，不管是归一化还是标准化，同一个函数跑所有连续特征，这样论文里写“所有连续特征均经 z-score 归一化”才站得住脚，不会出现正文和代码对不上的尴尬。

说一个我自己的血泪教训：第一次带队伍做预测类赛题，上来就上了三层神经网络，数据量两位数、特征五位，跑出来的结果连队友都不信。后来被评委问了一句“你有多少条训练样本”，当场答不上来。从那时起，我每道题先算样本量和特征维度的比值，再决定模型复杂度。奖牌预测教会我的不是某个算法，而是先问“我手里的数据撑得起什么模型”——这个问题以后会帮你避开绝大多数无效加班。希望帮到你。

本文还有配套的精品资源，点击获取