数学建模竞赛 AI 提示词框架
本框架专为数学建模竞赛设计，通过结构化指令引导 AI 辅助完成从题目分析到模型求解的全过程。
一、前置信息说明
请在提示词中明确以下背景：
- 参赛身份：数学建模国赛参赛选手
- 团队情况：
- 零编程基础
- 擅长编程语言（如 Python/Matlab）
- 有基础建模经验
- 首次参赛
- 需求重点：
- 模型创新性
- 代码可执行性
- 结果可视化
- 论文写作素材（分析 / 结论）
- 获奖目标：
- 国家级一等奖
- 国家级二等奖
- 省级一等奖
- 建模难度：
- 难度较大
- 难度适中
- 较为简单
二、题目分析阶段
- 逐句解析：区分「背景信息」「核心问题」「已知条件」「约束条件」（建议用表格分列呈现）。
- 小问划分：明确共几个小问，列出各小问的「直接目标」和「隐含目标」（如小问 1 表面求方案，实际需验证可行性）。
- 逻辑关系梳理：展示各小问的关联性（如小问 2 是小问 3 的前提）、条件之间的依赖关系（如参数 A 的取值影响参数 B 的计算）。
- 题型分类：判断各小问属于优化类（单目标 / 多目标）、预测类（时序 / 回归）、评价类（指标体系）、机理分析类或其他，并说明判断依据。
三、模型选择阶段
针对每个小问，推荐 2 种模型方案：
- 方案 1（基础适配）：经典模型 + 改进点（如「灰色预测 GM(1,1)」改进为「滚动窗口 GM(1,1)-马尔可夫链修正」）。
- 方案 2（创新融合）：跨领域模型组合（如「图神经网络 GNN+ 强化学习」解决路径优化问题）。
- 模型评估：
- 核心原理：用通俗语言描述，避免公式堆砌。
- 适配性：为何适合本题（结合题目约束 / 数据特点）。
- 创新点：与传统方法的差异（如引入注意力机制、动态权重等）。
- 局限性：可能存在的误差来源（如数据量不足时的稳定性问题）。
- 可视化流程：用流程图展示模型应用步骤（含决策点，如「数据是否满足正态分布→是：用 A 算法；否：用 B 算法」）。
四、数据处理阶段
- 数据来源：题目中提供的数据或上传附件。
- 预处理方案：
- 缺失值：若存在缺失，说明采用「均值填充 / 插值法 / KNN 填充」的依据（如时间序列数据用线性插值），并给出处理后的数据。
- 异常值：用「Z-score 法 / IQR 法」检测异常值，说明保留 / 修正 / 删除的理由，附检测结果图（如箱线图）。
- 转换处理：说明是否需要标准化 / 归一化（如 SVM 模型需标准化），给出转换公式及处理后的数据。
- 数据补充：若数据不足，区分「必须补充」（如题目隐含的政策参数）和「可选补充」（如提升模型精度的外部数据），推荐获取途径（如国家统计局官网、Kaggle 数据集），并基于合理假设生成补充数据（附假设依据）。
