第一篇：數學建模spss 時間預測,心得總結及實例

《一周總結，底稿供參考》

我們通過案例來說明：

假設我們拿到一個時間序列數據集：某男裝生產線銷售額。一個產品分類銷售公司會根據過去 10 年的銷售數據來預測其男裝生產線的月銷售情況。

現在我們得到了10年120個歷史銷售數據，理論上講，歷史數據越多預測越穩定，一般也要24個歷史數據才行！

大家看到，原則上講數據中沒有時間變量，實際上也不需要時間變量，但你必須知道時間的起點和時間間隔。

當我們現在預測方法創建模型時，記住：一定要先定義數據的時間序列和標記！

這時候你要決定你的時間序列數據的開始時間，時間間隔，周期！在我們這個案例中，你要決定季度是否是你考慮周期性或季節性的影響因素，軟件能夠偵測到你的數據的季節性變化因子。

定義了時間序列的時間標記后，數據集自動生成四個新的變量：YEAR、QUARTER、MONTH和DATE（時間標簽）。

接下來：為了幫我們找到適當的模型，最好先繪制時間序列。時間序列的可視化檢查通常可以很好地指導并幫助我們進行選擇。另外，我們需要弄清以下幾點：

? 此序列是否存在整體趨勢？如果是，趨勢是顯示持續存在還是顯示將隨時間而消逝？ ? 此序列是否顯示季節變化？如果是，那么這種季節的波動是隨時間而加劇還是持續穩定存在？

這時候我們就可以看到時間序列圖了！

我們看到：此序列顯示整體上升趨勢，即序列值隨時間而增加。上升趨勢似乎將持續，即為線性趨勢。此序列還有一個明顯的季節特征，即年度高點在十二月。季節變化顯示隨上升序列而增長的趨勢，表明是乘法季節模型而不是加法季節模型。此時，我們對時間序列的特征有了大致的了解，便可以開始嘗試構建預測模型。時間序列預測模型的建立是一個不斷嘗試和選擇的過程。

spss提供了三大類預測方法：1-專家建模器，2-指數平滑法，3-ARIMA

指數平滑法

指數平滑法有助于預測存在趨勢和/或季節的序列，此處數據同時體現上述兩種特征。創建最適當的指數平滑模型包括確定模型類型（此模型是否需要包含趨勢和/或季節），然后獲取最適合選定模型的參數。?

1-簡單模型預測（即無趨勢也無季節）

首先我們采用最為簡單的建模方法，就是簡單模型，這里我們不斷嘗試的目的是讓大家熟悉各種預測模型，了解模型在什么時候不適合數據，這是成功構建模型的基本技巧。我們先不討論模型的檢驗，只是直觀的看一下預測模型的擬合情況，最后我們確定了預測模型后我們再討論檢驗和預測值。

從圖中我們看到，雖然簡單模型確實顯示了漸進的上升趨勢，但并不是我們期望的結果，既沒有考慮季節性變化，也沒有周期性呈現，直觀的講基本上與線性預測沒有差異。所以我們拒絕此模型。2-Holt線性趨勢預測

Holt線性指數平滑法，一般選擇：針對等級的平滑系數lapha=0.1,針對趨勢的平滑系數gamma=0.2；

從上面的擬合情況看，Holt預測模型更平滑了，也就是說Holt模型比簡單模型顯現了更強的平滑趨勢，但未考慮季節因素，還是不理想，所以還應放棄此模型。3-簡單季節性模型

當我們考慮了季節性變化后，簡單季節性預測模型基本上較好的擬合了數據的大趨勢，也就是考慮了趨勢和季節。4-Winters相乘法預測模型 我們再次選擇Winters預測模型

此時，在數據集的時間跨度為10年，并且包含 10 個季節峰值（出現在每年十二月份）中，簡單季節模型和Winters模型都撲捉到了這10個峰值與實際數據中的10個年度峰值完全匹配的預測結果。此時，我們基本上可以得到了一個比較滿意的預測結果。

此時也說明，無論采用指數平滑的什么模型，只要考慮了季節因素，都可以得到較好結果，不同的季節性指數平滑方法只是細微差異了。

但是，我們仔細看預測值和擬合值，還是有一些上升和下降的趨勢和結構沒有撲捉到。預測還有改進的需求！

5-ARIMA預測模型ARIMA模型是自回歸AR和移動平均MA加上差分考慮，我們采用專家建模器，但指定僅限ARIMA模型，并考慮季節性因素。

此時，我們看到模型擬合并相比較簡單季節性和Winters模型沒有太大的優勢，結果可接受，但是大家注意到沒有，實際上我們一直沒有考慮自變量的進入問題，假如我們有其它變量可能會影響到男裝銷售收入，情況又會發生什么變化呢？

時間序列預測技術之三——含自變量的ARIMA模型預測

下面的數據延續前兩篇的案例，只是增加了自變量，（因為手頭這個案例沒有干預因素變量）

在我們增加了5個自變量后，采用預測建模方法，選擇專家建模器，但限制只在ARIMA模型中選擇。

確定后，得到分析結果，我們現在來看一下與原來的模型有什么不同。從預測值看，比前一模型有了改進，至少這時候的模型捕捉了歷史數據中的下降峰值，這可以認為是當前比較適合的擬合值了。

如果我們觀察預測結果，可以發現模型選擇了兩個預測變量。注意：使用專家建模器時，只有在自變量與因變量之間具有統計顯著性關系時才會包括自變量。如果選擇ARIMA模型，“變量”選項卡上指定的所有自變量（預測變量）都包括在該模型中，這點與使用專家建模器相反；

當確定了最終選擇的預測模型和方法后，我們就可以預測未來了，當然你要指定預測未來的時間點，這里我們時間包括年、季度和月份；假定我們預測未來半年的銷售收入。我們分別設定：預測值輸出，95%置信度的上下限。注意：SPSS中文環境有個小Bug，必須改一下名字！在選項中，選擇你的預測時間，預測期將根據你事先定義的數據時間格式填寫。（后面的模型為了讓大家看清楚，實際上我預測了一年的數據，也就是2010年的4個季度的12個月）。

自變量的選擇問題，在預測未來半年的銷售收入中，ARIMA模型可以把其它預測變量納入考慮，但如何確定未來這些預測變量的值呢？

主要方法可以考慮：1）選擇最末期數據；2）選擇近三期數據的平均；3）選擇近三期的移動平均

這里我們選近三期移動平均作為預測自變量數值。上面就是預測結果！于此同時，SPSS活動數據集中也存儲了預測值！

最后，我們要解決時間序列預測的檢驗和統計問題！實際上我們可以通過軟件得到各種統計檢驗指標和統計檢驗圖表！

最后我們看一眼統計檢驗指標結果： 比如：Sig值越大越好，平穩得R方也是越大越好

? Sig.列給出了 Ljung-Box 統計量的顯著性值，該檢驗是對模型中殘差錯誤的隨機檢驗；表示指定的模型是否正確。顯著性值小于0.05 表示殘差誤差不是隨機的，則意味著所觀測的序列中存在模型無法解釋的結構。

?平穩的R方：顯示固定的R平方值。此統計量是序列中由模型解釋的總變異所占比例的估計值。該值越高（最大值為 1.0），則模型擬合會越好。

? 檢查模型殘差的自相關函數(ACF)和偏自相關函數(PACF)的值比只查看擬合優度統計量能更多地從量化角度來了解模型。合理指定的時間模型將捕獲所有非隨機的變異，其中包括季節性、趨勢、循環周期以及其他重要的因素。如果是這種情況，則任何誤差都不會隨著時間的推移與其自身相關聯（自關聯）。這兩個自相關函數中的顯著結構都可以表明基礎模型不完整。

第二篇：數學建模實例講稿

線性規劃模型

4.1 奶制品的生產與銷售[1] 例2 奶制品的生產銷售計劃（P88~92）

% plan.m c = [-24-16-44-32 3 3]

A = [4 3 0 0 4 3;4 2 0 0 6 4;1 0 0 0 1 0] b = [600;480;100]

aeq = [0 0 1 0-0.8 0;0 0 0 1 0-0.75] beq = zeros(2,1)xLB = zeros(6,1)xUB = inf * ones(6,1)

[x,fval] = linprog(c,A,b,aeq,beq,xLB,xUB)

非線性規劃模型

12.1 供應與選址[2]

（1）編寫M文件liaoch.m定義目標函數

% liaoch.m

function f=liaoch(x)

a=[1.25 8.75 0.5 5.75 3 7.25];b=[1.25 0.75 4.75 5 6.5 7.75];d=[3 5 4 7 6 11];e=[20 20];f1=0;for i=1:6

s(i)=sqrt((x(13)-a(i))^2+(x(14)-b(i))^2);f1=s(i)*x(i)+f1;end f2=0;for i=7:12

s(i)=sqrt((x(15)-a(i-6))^2+(x(16)-b(i-6))^2);f2=s(i)*x(i)+f2;end

f = f1 + f2;

（2）工地分布及需求量示意圖

>> a=[1.25 8.75 0.5 5.75 3 7.25];>> b=[1.25 0.75 4.75 5 6.5 7.75];>> scatter(a,b)（3）編寫主程序xuanzhi.m % xuanzhi.m

A=[1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0];b=[20;20];

Aeq=[eye(6)eye(6)zeros(6,4)];beq=[3 5 4 7 6 11]'

VLB=[zeros(12,1);-inf;-inf;-inf;-inf];x0=[3 0 4 5 4 0 0 5 0 2 2 11 3 4 7 6.5];

[x,fval,exitflag]=fmincon(@liaoch, x0, A, b, Aeq, beq,VLB)

（4）結果為 x =

Columns 1 through 6

3.0000 0 4.0000 7.0000 6.0000

0

Columns 7 through 12

0 5.0000 0 0.0000 0 11.0000

Columns 13 through 16

3.2549 5.6523 7.2500 7.7500

fval =

85.2660

exitflag =

統計回歸模型

10.1牙膏的銷售量[1]

>> x1 = [-0.05 0.25 0.60 0 0.25 0.20 0.15 0.05-0.15 0.15 0.20 0.10 0.40 0.45 0.35 0.30 0.50 0.50 0.40-0.05-0.05-0.10 0.20 0.10 0.50 0.60-0.05 0 0.05 0.55];>> y = [7.38 8.51 9.52 7.50 9.33 8.28 8.75 7.87 7.10 8.00 7.89 8.15 9.10 8.86 8.90 8.87 9.26 9.00 8.75 7.95 7.65 7.27 8.00 8.50 8.75 9.21 8.27 7.67 7.93 9.26];>> scatter(x1,y), title('圖1 y對x1的散點圖')>> x2 = [5.50 6.75 7.25 5.50 7.00 6.50 6.75 5.25 5.25 6.00 6.50 6.25 7.00 6.90 6.80 6.80 7.10 7.00 6.80 6.50 6.25 6.00 6.50 7.00 6.80 6.80 6.50 5.75 5.80 6.80];>> scatter(x2,y), title('圖2 y對x2的散點圖')>> x = [ones(size(x1));x1;x2;x2.^2];>> X = x.';>> Y = y.';>> [b,bint,r,rint,stats] = regress(Y,X,0.05)b =

17.3244

1.3070

-3.6956

0.3486

bint =

5.7282

0.6829

-7.4989

0.0379

r =

-0.0988

-0.0795

-0.1195

-0.0441

0.4660

-0.0133

0.2912

0.2735

-0.2351

0.1031

-0.4033

0.1747

0.0400

-0.1504

0.1284

0.1637 28.9206 1.9311 0.1077 0.6594

-0.0527

-0.1907

-0.0870

-0.0165

-0.1292

-0.3002

-0.2933

-0.1679

-0.2177

0.1116

0.3035

0.0693

0.2474

0.2270

rint =

-0.5270

-0.5309

-0.5106

-0.4731

0.0813

-0.4609

-0.1374

-0.0870

-0.5960

-0.3280

-0.8190

-0.2618

-0.4032

-0.5933

-0.3207

-0.2841

-0.4830

-0.6248

-0.5348

-0.4423

-0.5609

-0.7181

-0.7243

-0.5548

-0.6449

-0.2994 0.3294 0.3718 0.2716 0.3848 0.8507 0.4343 0.7197 0.6340 0.1258 0.5341 0.0125 0.6112 0.4832 0.2925 0.5775 0.6116 0.3776 0.2434 0.3609 0.4092 0.3024 0.1177 0.1377 0.2190 0.2095 0.5226

-0.1037

0.7106

-0.3714

0.5099

-0.1807

0.6755

-0.1890

0.6430

stats =

0.9054

82.9409

0.0000 >> x3=x1.*x2；

>> z=[ones(size(x1));x1;x2;x2.^2;x3];>> z1=z.';>> [b,bint,r,rint,stats] = regress(Y,z1,0.05)b =

29.1133

11.1342

-7.6080

0.6712

-1.4777

bint =

13.7013

44.5252

1.9778

20.2906

-12.6932

-2.5228

0.2538

1.0887

-2.8518

-0.1037

r =

-0.0441

-0.1229

0.0299

-0.0745

0.3841

-0.0472

0.2331

0.0287

-0.0661

0.0297

-0.4372

0.1763

0.0356

-0.1382

0.1027

0.1270

0.0048

-0.1435

-0.1016

0.0050

-0.0389

-0.1334

-0.3272

-0.3274

-0.2102

0.1412

0.3250

0.1096

0.2342

0.2455

rint =

-0.4425

-0.5408

-0.3101

-0.4736

0.0245

-0.4640

-0.1674

-0.2369

-0.3751

-0.3691

-0.8118

-0.2306

-0.3788

-0.5521

-0.3172

-0.2917

-0.3944

-0.5490

-0.5193

-0.3926 0.3542 0.2951 0.3698 0.3247 0.7437 0.3695 0.6337 0.2943 0.2430 0.4284-0.0627 0.5832 0.4499 0.2757 0.5226 0.5456 0.4039 0.2621 0.3160 0.4026

-0.4360

0.3582

-0.5045

0.2378-0.7212

0.0667-0.6326

-0.0221-0.6085

0.1881

-0.2398

0.5223

-0.0484

0.6984

-0.2988

0.5181

-0.1650

0.6335

-0.1391

0.6302

stats =

0.9209

72.7771

0.0000

0.0426 >> y=17.3244+1.3070*x1-3.6956*6.5+0.3486*6.5^2;>> plot(x1,y),title('圖3 模型（3）y與x1的關系'),grid on >> y=29.1133+11.1342*x1-7.6080*6.5+0.6712*6.5^2-1.4777*x1*6.5;>> plot(x1,y),title('圖4 模型（5）y與x1的關系'),grid on >> y=17.3244+1.3070*0.2-3.6956*x2+0.3486*x2.^2;>> xi=linspace(5,8,100);>> p=[0.3486,-3.6956,17.3244+1.3070*0.2];>> yi=polyval(p,xi);>> plot(xi,yi),title('圖5 模型（3）y與x2的關系'),grid on >> y=29.1133+11.1342*0.2-7.6080*x2+0.6712*x2.^2-1.4777*x2*0.2;>> p=[0.6712,-1.4777*0.2-7.6080,29.1133+11.1342*0.2];>> xi=linspace(5,8,100);>> yi=polyval(p,xi);>> plot(xi,yi),title('圖6 模型（5）y與x2的關系'),grid on >> y=30.2267-7.7558*x2+0.6712*x2.^2;>> xi=linspace(5,8,100);>> p=[0.6712,-7.7558,30.2267];>> yi=polyval(p,xi);>> plot(xi,yi)>> y=32.4535-8.0513*x2+0.6712*x2.^2;>> p=[0.6712,-8.0513,32.4535];>> yi=polyval(p,xi);>> hold on >> plot(xi,yi), title('圖7 y與x2的關系(7)與(8)的圖形'),grid on >> x = [x1;x2];>> rstool(x.',Y,'quadratic',0.05)Variables have been created in the current workspace.10.5教學評估[1]

%jiaoxue.m

X1=[4.46 4.11 3.58 4.42 4.62 3.18 2.47 4.29 4.41 4.59 4.55 4.67 3.71 4.28 4.24]';

X2=[4.42 3.82 3.31 4.37 4.47 3.82 2.79 3.92 4.36 4.34 4.45 4.64 3.41 4.45 4.38]';X3=[4.23 3.29 3.24 4.34 4.53 3.92 3.58 4.05 4.27 4.24 4.43 4.52 3.39 4.10 4.35]';

X4=[4.10 3.60 3.76 4.40 4.67 3.62 3.50 3.76 4.75 4.39 4.57 4.39 4.18 4.07 4.48]';

X5=[4.56 3.99 4.39 3.63 4.63 3.50 2.84 2.76 4.59 2.64 4.45 3.48 4.06 3.76 4.15]';

X6=[4.37 3.82 3.75 4.27 4.57 4.14 3.84 4.11 4.11 4.38 4.40 4.21 4.06 4.43 4.50]';

Y=[4.11 3.38 3.17 4.39 4.69 3.25 2.84 3.95 4.18 4.44 4.47 4.61 3.17 4.15 4.33]';

X=[X1 X2 X3 X4 X5 X6];stepwise(X,Y)

參考文獻

[1]姜啟源, 謝金星, 葉俊.數學模型(第三版).北京: 高等教育出版社, 2003 [2]宋來忠, 王志明.數學建模與實驗.北京: 科學出版社, 2005

第三篇：SPSS時間序列一點總結

SPSS時間序列一點總結(一)SPSS中“Time Series”包括4個時間序列分析子菜單: 1.Exponential Smoothing指數平滑 2.Autoregression自回歸 3.ARIMA自回歸綜合移動平均

4.Seasonal Decomposition季節分散法

(一)Exponential Smoothing指數平滑中的Model有四種:Simple、Holt、Winters、Custom.Simple法是在移動平均法基礎上發展而來的一次指數平滑法,它假定所研究的時間序列數據集無趨勢和季節變化.Simple法基本過程: 1.首先定義變量、輸入數據,至少要有一個變量,點出Data菜單中的Define Dates對話框,定義時間序列的周期.Define Dates可用來建立時間序列的周期性.共有20種可用來定義時間日期的變量.2.指定需要進行指數平滑處理的變量.從左側變量名列表中選中需要進行指數平滑處理的變量,單擊右面一個右箭頭按鈕,使變量名移到Variables框中.如果變量為多個,則計算完一個后,再輸入另一個變量.3.“Parameters”參數設定,選定指數平滑中的參數,誤差修正權數 a(General(Alpha))的取值在默認狀態下為0.1,其取值大小依賴于已知時間序列的性質,通常都使用在0.1至0.3之間的數值并產生一個依賴于大量的過去觀測資料的預測.接近于1的值較少用,它將給出更加依賴于新近觀察資料的預測.當a=1時,預測值等于最新的觀測值.單擊Grid Search選項,如不加改動,可讓程序自動計算a從0.1到1的10個指數平滑結果,并將誤差平方和最小的平滑結果暫時存放在數據庫中,當然,在這里可重新設置a的開始值,以后每次的增加值及終止值.在本程序中,確定Initial Values初始值欄中的選擇有兩種方式,選擇Automatic項,初始值用自動方式生成,程序自動取時間序列的總平均值為初始值:選擇Custom項,可手工輸入初始值及趨勢值.單擊“Save”,最后單擊“OK”并執行.Holt雙參數線性指數平滑法適用于有線性趨勢及無季節變化的時間序列的趨勢.它可以用不同的參數對原時間序列的趨勢進行平滑,具有很大的靈活性.在此法中要用到兩個參數a、g(從0到1之間取值)和三個方程(略).Holt法基本過程

1、首先按定義變量、輸入數據,至少要有一個變量,在Data菜單的Define Dates設置;指定需要Holt指數平滑法處理的變量.從左側變量名列表中選中需要進行指數平滑處理的變量,如果變量為多個,則計算完一個后,再輸入另一個變量.選定Holt選項.設置Parameters即指數平滑中的參數,參數a、g的取值在默認狀態下都為0.1,它們都在0到1之間取值.其取值大小依賴于已知時間序列的性質,通常使用0.1至0.3之間的數值,并產生一個依賴于大量的過去觀測資料的預測.接近于1的值較少用,它將給出更加依賴于新近觀測資料的預測.不使用默認值,可通過單擊Grid Search選項來自定義,如不加改動,可讓程序自動計算a從0.1到1每次增加0.1、g從0.1到1每次增加0.2的10個指數平滑結果,并將誤差平方和最小的平滑結果暫時存放在數據庫中.當然,可以重新設置a、g的初始值、以后每次的增加值及終止值.在本程序中,確定初始值的選中有兩種方式,選中Automatic項,初始值用自動方式生成,程序自動取時間序列的總平均值為初始值St并自動給出趨勢值bt.選中Custom項,可手工輸入初始值及趨勢值.Winters線性和季節性指數平滑法適用于數據的變化含有季節性因素的時間序列的預測.選定指數平滑中的參數“Patameters”,參數a、b、g的取值在默認狀態下都為0.1,它們都在0到1之間取值,但都不包括0和1.采用Winters法的關鍵是如何確定a、b、g的值,以使均方差達到最小.最佳方法是反復試驗法.如不使用默認值,除直接修改a、b、g的值外,還可通過單擊Grid Search來自定義.可讓程序自動計算a從0.1到1每次增加0.1,b、g從0.1到1每次增加0.2的10個指數平滑結果,并將誤差平方和最小的平滑結果暫時存放在數據庫中,SPSS在商務管理中的應用,當然,在這里可重新設置a、b、g的開始只,以后每次的增加值及終止值.在本程序中,確定初始值的選擇有兩種方式,選擇Automatic,初始值用自動方式生成,程序自動取時間序列的總平均值為初始值St并自動給出趨勢值bt;選擇Custom,可手工輸入初始值及趨勢值.

第四篇：數學建模心得

數學建模心得

10材料1邢虎威1000501126 數學建模是一個經歷觀察、思考、歸類、抽象與總結的過程，也是一個信息捕捉、篩選、整理的過程，更是一個思想與方法的產生與選擇的過程。它給我們再現了一種“微型科研”的過程。數學建模教學有利于激發我們學習數學的興趣，豐富我們數學探索的情感體驗；有利于我們自覺檢驗、鞏固所學的數學知識，促進知識的深化、發展；有利于我們體會和感悟數學思想方法。

為了使描述更具科學性，邏輯性，客觀性和可重復性，人們采用一種普遍認為比較嚴格的語言來描述各種現象，這種語言就是數學。使用數學語言描述的事物就稱為數學模型。有時候我們需要做一些實驗，但這些實驗往往用抽象出來了的數學模型作為實際物體的代替而進行相應的實驗，實驗本身也是實際操作的一種理論替代。

我明白了數學建模的學習對我們來講究竟有多么重要，數學在實際生活中的地位如何，其實數學在實際生活中的應用無處不在，也許它就在你的身邊

我曾經遇到過一個問題，旅客在車站候車室等候檢票，并且排隊的旅客按照一定的速度在增加，檢票的速度一定，當車站開放一個檢票口，需用半個小時可將待檢旅客全部檢票進站；同時開放兩個檢票口，只需十分鐘便可將旅客全部進站，現有一班增開列車過境載客，必須在5分鐘內旅客全部檢票進站，問此車站至少要同時開放幾個檢票口？

分析：(1)尋求數量關系以及涉及的量：原排隊人數，旅客按一定速度增加的人數，每個檢票口檢票的速度。

(2)給出各量的數學表示：設檢票開始時等候檢票的旅客人數為x人，排隊隊伍每分鐘增加y人，每個檢票口每分鐘檢票z人，最少同時開n個檢票口，就可在5分鐘旅客全部進站。(3)將問題內容轉化為數學問題—數學建模：開放一個檢票口，需半個小時檢完，則x+3y= z ①開放兩個檢票口，需10分鐘檢完，則x+10y=2 10z ②開放n個檢票口，最多需5分鐘檢完，則x+5y=n 5z ③解①②得：x=15z；y=0.5z 代入③中，得，∴ n=4.所以需要最少開四個檢票口 我等理解了數學建模不能離開社會實際問題，更不能離開我們的學習范疇，并能夠開拓我們學生的視野。

1、只有經歷這樣的探索過程，數學的思想、方法才能沉積、凝聚，從而使知識具有更大的智慧價值。動手實踐、自主探索與合作交流是學生學習數學的重要方式。學生的數學學習活動應當是一個主動、活潑的、生動和富有個性的過程。因此，在學習時我們要盡量的自主探索、合作交流，對學習過程、學習材料、學習發現主動歸納、提升，力求建構出人人都能理解的數學模型。

2、我們應該明白我們的老師不應只是“講演者”，而應不時扮演下列角色：參謀——提一些求解的建議，提供可參考的信息，但并不代替我們做出決斷。

3、2、數學建模對教師、對學生都有一個逐步的學習和適應的過程。我想老師在設計數學建模活動時，應該會特別考慮學生的實際能力和水平，起始點要低，形式應有利于更多的學生能參與。在開始的教學中，在講解知識的同時有意識地介紹知識的應用背景，在數學模型的應用環節進行比較多的訓練；然后逐步擴展到讓學生用已有的數學知識解釋一些實際結果，描述一些實際現象，模仿地解決一些比較確定的應用問題；再到獨立地解決教師提供的數學應用問題和建模問題；最后發展成能獨立地發現、提出一些實際問題，并能用數學建模的方法解決它。

3、由于知識產生和發展過程本身就蘊含著豐富的數學建模思想，因此老師既要重視實際問題背景的分析、參數的簡化、假設的約定，還要重視分析數學模型建立的原理、過程，數學知識、方法的轉化、應用，不能僅僅講授數學建模結果，忽略數學建模的建立過程。

4、數學應用與數學建模的目的并不是僅僅為了給學生擴充大量的數學課外知識，也不是僅僅為了解決一些具體問題，而是要培養學生的應用意識，提高學生數學能力和數學素質。因此我們不應該沿用老師講題、學生模仿練習的套路，而應該重過程、重參與，從小培養學

數學已經成為當代高科技的一個重要組成部分和思想庫，培養學生應用數學的意識和能力也已經成為數學教學的一個重要方面。而應用數學去解決各類實際問題就必須建立數學模型。小學數學教學的過程其實就是教師引導學生不斷建模和用模的過程。因此，用建模思想指導小學數學教學顯得愈發重要。

第五篇：數學建模心得

數學建模體會

大一的時候懷著對數學的熱愛我參加了數模協會，然后又以比較優異的成績參加了暑期培訓，在暑期培訓中我付出了很多，曾想到放棄，但看到隊友們都還在努力奮斗，我堅持了下來，并且參加了全國賽，雖然結果我們也沒有拿到獎，但我覺得重要的是在這個過程中我學到了許多，也收獲了許多，正如許多輔導老師說的那樣“一次參賽，終生受益”。

數學建模不同于一般數學競賽，它強調我們運用所學的數學（甚至其他學科）知識去解決實際問題，要求我們具有很強的分析問題和解決問題的能力以及團隊合作精神，它對于我們來說是一種綜合性的訓練。也是我們大學生的一次實踐活動。從這當中我學到了很多：

自學能力的提高：數學建模本生就要求參賽者對知識現學現用的能力。暑期培訓中老師講了很多以前沒有見過數學建模的知識，但由于我們大一底子薄，連線性代數都還沒來得及學，老師講的很多都沒聽明白，這就要求我們自己課后運用網絡，參考了大量資料，去消化老師講的內容，而且數學建模本生就是一門跨多個學科的課程，老師講的在實際競賽中不完全就用得上，比如這次競賽中關于汽車制動方案，之前我們三個人對車輛結構根本就不了解，我們就去圖書館找，上internet搜尋。這樣一來，相應的能力在潛移默化中就得到了提高。

計算機運用能力的提高：要寫好一篇的論文，首先必須學會word文檔的排版，而遇到題目中給出的大量數據又有要求我們用excell去處理，對于大量的運算也要求我們用相應的數學軟件去編程實現，對于遇到不懂的問題又要用網絡去查找相關文獻資料。這些都要求我們具有較強的計算機運用能力。

團隊合作能力的提高：“團隊精神”這個詞很時髦，大家通過各種途徑接觸過很多，可是我真正體會到它的重要性還是在參加建模之后。數學建模強調：“1+1+1=1”，建模比賽是以三人組成一隊一起參加的，這樣設置的初衷就是為了建立隊員之間的相互信任關系培養隊員的相互協作能力。比賽要求參賽隊在三天之內對所給的問題提出一個較為完整的解決方案，并以論文的形式打印上交，這么大的工作量僅僅依靠一兩個人的“聰明才智”是很難在規定時間里完成的，只有合三人之力，才能夠順利地給出一個較好的結果來。認識到團隊精神的重要性對于即將面臨就業選擇的莘莘學子無疑是大有裨益的。

通過數學建模還結識了一些志同道合的朋友，這也算是一筆巨大的財富吧。

總之，數模帶給我們的決不是一次成功的解題以及由此而得來的榮譽，更重要的是個人綜合素質和創新能力的提高。