数学建模：修订间差异

2026年9月20日 (日) 10:06的最新版本

数学建模（mathematical modeling）是为一个实际问题选择变量、提出假设、建立数学关系，并用观测与计算检验结果的过程。模型保留的是回答当前问题所需要的特征；预测下一分钟的水位，与研究整个水箱的流场，需要的模型可以很不相同。

水箱五分钟后有多高

假设我们每分钟记录一次水箱水位，想用前四次读数预测接下来两分钟。下面是一组专门构造的教学数据，不是实际设备的观测。前四点用于估计参数，后两点预先留作验证。

数据用途	时间 $t$ （分钟）	水位 $h$ （厘米）
训练	0，1，2，3	1.0，2.0，2.0，4.0
留出验证	4，5	4.6，5.8

水位总体上升，却不是每分钟都增加相同数值。可以先尝试一条直线描述平均趋势： $\hat{h} (t) = a t + b .$ 符号 $\hat{h}$ 表示预测水位，区别于读数 $h$ ；参数 $a$ 是每分钟平均上升多少厘米， $b$ 是模型在零时刻的水位。若用厘米和分钟， $a$ 的单位是厘米每分钟， $b$ 的单位是厘米。

在计算斜率前，先要回答为什么选直线。如果短时间内净流入量和水箱截面积近似不变，直线有一个守恒关系的依据。

直线从哪里来

设水箱水平截面积为常数 $A$ ，水位 $h$ 对应体积 $V = A h$ 。每分钟流入体积为 $q_{i n}$ ，流出体积为 $q_{o u t}$ 。没有其他漏失时，体积变化率等于净流入率： $A \frac{d h}{d t} = q_{i n} - q_{o u t} .$ 若右边也是常数，对时间积分得到 $h (t) = h (0) + \frac{q_{i n} - q_{o u t}}{A} t .$ 与直线模型比较可知，斜率对应净流入率除以截面积，截距对应起始水位。

例如 $A = 200 c m^{2}$ 、净流入为 $180 c m^{3} / m i n$ ，水位上升速率就是 $180 / 200 = 0.9 c m / m i n$ 。这一数值说明参数怎样连接到物理量；仅凭水位读数还不能分别知道面积和流量，后面会回到这个问题。

实际读数可能含测量误差，净流量也可能有小波动，因此数据点不必都在同一直线上。接下来需要规定怎样从几条不同的候选直线中选出一条。

用四个训练点选出一条直线

对某条直线，每个训练点的残差定义为“读数减预测”： $r_{i} = h_{i} - a t_{i} - b$ 。采用最小二乘，就是选 $a, b$ 让残差平方和 $S (a, b) = \sum_{i = 1}^{4} (h_{i} - a t_{i} - b)^{2}$ 最小。平方使正负偏差不会互相抵消，也使较大的偏差承担更高代价。

先固定斜率 $a$ ，对截距求导并令其为零： $\frac{\partial S}{\partial b} = - 2 \sum_{i} (h_{i} - a t_{i} - b) = 0.$ 共有四点，因此 $4 b = \sum_{i} h_{i} - a \sum_{i} t_{i}$ 。用横线表示平均数，便得到 $b = \bar{h} - a \bar{t}$ 。这说明拟合直线经过平均点 $(\bar{t}, \bar{h})$ 。

把这个截距代回去，残差成为 $(h_{i} - \bar{h}) - a (t_{i} - \bar{t})$ 。再对 $a$ 求导，令其为零： $\sum_{i} (t_{i} - \bar{t}) (h_{i} - \bar{h}) - a \sum_{i} (t_{i} - \bar{t})^{2} = 0.$ 只要时间点不全相同，第二个求和为正，就可解出 $a = \frac{\sum_{i} (t_{i} - \bar{t}) (h_{i} - \bar{h})}{\sum_{i} (t_{i} - \bar{t})^{2}}, b = \bar{h} - a \bar{t} .$ 这是一个系数为正的二次目标，所得驻点也是唯一最小值。

本例平均时间为 $1.5$ ，平均水位为 $2.25$ 。时间偏差为 $- 1.5, - 0.5, 0.5, 1.5$ ，水位偏差为 $- 1.25, - 0.25, - 0.25, 1.75$ 。分子逐项相乘再相加： $1.875 + 0.125 - 0.125 + 2.625 = 4.5.$ 分母为 $2.25 + 0.25 + 0.25 + 2.25 = 5$ 。所以 $a = 4.5 / 5 = 0.9, b = 2.25 - 0.9 \times 1.5 = 0.9.$ 得到预测式 $\hat{h} (t) = 0.9 t + 0.9$ 。

四个训练点和两个留出验证点，直线水位等于零点九倍时间加零点九，竖线表示训练残差 — 拟合线没有穿过所有点。训练点用于估计参数，空心方形表示未参与拟合的后续时刻数据。

图中实心训练点用来确定直线；从点到直线的竖线就是残差。特别是两分钟处读数为二，而直线预测为 $2.7$ ，对应最长的一段向下偏差。空心方形是没有参与拟合的四、五分钟读数，用来检查预测。

拟合算对了吗，预测又怎样

在训练时刻，预测为 $0.9, 1.8, 2.7, 3.6$ ，残差为 $0.1, 0.2, - 0.7, 0.4$ 。平方和为 $0.01 + 0.04 + 0.49 + 0.16 = 0.7.$ 均方根误差把平方和除以点数再开方，因此回到厘米单位： ${RMSE}_{t r a i n} = \sqrt{0.7 / 4} \approx 0.4183 c m .$ 残差还有两项可用于检查计算：和为零，与时间列的乘积和也为零。第二项是 $0 \times 0.1 + 1 \times 0.2 + 2 \times (- 0.7) + 3 \times 0.4 = 0$ ，它们正是前面两个求导方程。

现在才使用留出数据。四分钟与五分钟的预测分别为 $4.5, 5.4$ ，读数为 $4.6, 5.8$ ，残差为 $0.1, 0.4$ 。留出误差为 ${RMSE}_{t e s t} = \sqrt{(0. 1^{2} + 0. 4^{2}) / 2} \approx 0.2915 c m .$ 它比训练误差小，可以是这两个点的偶然表现，并不矛盾。两个验证点提供了一次具体检验，还不足以说明更长时间内也有同样精度。

这里的两个问题应分开：正规方程和残差核对检验“最小二乘是否算对”；留出数据检验“这条直线能否预测未用于选择它的数据”。前者成立，不自动推出后者。若看了留出数据再调模型，就相当于又把这些数据用于选择，需要新的独立检验。

一个读数改动，对预测有什么影响

只把三分钟处的训练读数从 $4.0$ 改为 $4.1$ ，其他数据保持。由于时间没变，斜率分母仍为五。分子增量为 $(3 - 1.5) \times 0.1 = 0.15,$ 因为所有时间偏差之和为零，水位平均数的变化不会额外影响分子。因此斜率增加 $0.15 / 5 = 0.03$ ，新斜率为 $0.93$ 。水位均值增加 $0.1 / 4 = 0.025$ ，新截距为 $2.275 - 0.93 \times 1.5 = 0.88.$ 五分钟处的新预测为 $0.93 \times 5 + 0.88 = 5.53$ ，比原来的 $5.4$ 增加 $0.13$ 。一个读数只改了 $0.1$ ，外推处的变化却稍大。

一般而言，参数变化给出 $Δ \hat{h} (t) = t Δ a + Δ b$ 。随着预测时间增加，斜率偏差的影响被放大。若斜率偏高 $0.05$ 厘米每分钟、截距偏高 $0.1$ 厘米，十分钟处偏高 $0.6$ 厘米，五十分钟处偏高 $2.6$ 厘米。这是确定性的敏感性计算，若要把它解释为概率区间，还需统计误差模型。

哪些物理量能够由读数确定

回到守恒式，水位斜率只给出 $(q_{i n} - q_{o u t}) / A$ 。面积二百、净流量一百八十给出斜率 $0.9$ ；面积四百、净流量三百六十也给出同样斜率。无论再观察多久，仅凭相同的线性水位变化都分不开这两种解释。

这种不同参数产生同样预测的情形，称为参数不可识别。需要额外测量截面积或流量，才能分别确定它们；或者把可识别的比值直接作为一个参数。

即使只估计直线的斜率与截距，采样方式也重要。若四个读数都在同一时刻，公式分母 $\sum (t_{i} - \bar{t})^{2}$ 为零，无法区分斜率与截距。若时刻非常接近，分母很小，同样大小的读数扰动会显著影响斜率。因此实验在哪些时刻采样，决定了数据能够回答什么问题。

残差什么时候提示要换模型

继续收集数据时，如果残差先负、后正、再负，形成系统的弯曲趋势，直线可能遗漏了水位变化的弯曲。如果随着时间推移残差持续增大，可能是流量或截面积不再稳定。如果只有某一点异常，则应先核对记录、单位与传感器状况。

例如出水口流量随水位上升而增加，净流入就不再是常数；瓶状水箱的截面积也可能随高度变化。守恒模型应相应改为 $A (h) \frac{d h}{d t} = q_{i n} (t) - q_{o u t} (h, t) .$ 水箱接近装满时，还需要处理容量与溢流。这样，修改模型的理由来自现象和机制，而非仅为降低已有四点的误差。

残差平方和小，也不能证明某个输入具有因果作用。若要研究“调大入口会使水位怎样变化”，需要控制或记录流量变化、截面积等条件；仅观察两个量同时上升，可能只是共享时间趋势。模型的用途决定需要哪类证据。

从这个例子形成一次完整建模过程

水箱例子的步骤可以整理为一个可重复的循环：先规定预测目标与时间范围，再列变量和单位；用体积守恒提出直线假设；用训练点求参数；核对计算并用后续点检验预测；出现系统偏差时，回到机制或观测设计修改模型。

不同问题会采用不同数学结构。水位随时间的动态变化可用微分方程，测量误差可用概率，多个水箱之间的连接可用图论，在容量与成本限制下分配流量可用优化。这些结构都围绕所要回答的问题选择，不是每个模型都需要全部使用。

一个可复算的模型记录应保留数据来源、变量单位、假设、训练与验证划分、计算程序和适用范围。最小二乘计算不需要先假定正态噪声，但置信区间等统计推断需要说明相应条件。量纲检查也很有用：守恒式两边都应是体积每时间，若某项单位不一致，可在求解前发现问题。

下载与复现

下载：水位线性拟合教学包（CSV、Python、预期结果与说明）

教学包保留本例合成数据、仅依赖 Python 标准库的脚本与预期结果。解压后运行 python3 fit.py，可以复算参数 $a = b = 0.9$ 、训练平方和 $0.7$ 与留出平方和 $0.17$ 。修改三分钟读数后，也可检查上一节的扰动结果。

方法背景

天文测量、力学与人口研究都推动了数学模型的发展。这里使用的最小二乘法，在 Legendre 1805 年的发表及 Gauss 后来的工作中形成了重要发展，具体文献见最小二乘法。它将“怎样选一条最合适的曲线”变成可计算的目标。

Boyd 与 Vandenberghe 的应用线性代数教材从数据与应用问题展开拟合；Lebl 的微分方程教材从动态过程建立方程。水箱例子同时使用了这两种思路：守恒解释结构，数据估计参数，后续观测检验用途。

按问题选择模型

水位拟合的统计解释见线性模型：它沿用本例数据，区分真实平均响应、拟合线和下一次随机读数，并计算两种不同的区间。若问题改成“每月先流失一定比例，再补入固定水量”，差分方程模型从状态更新式推导平衡水量与收敛速度。若两个状态互相影响，捕食者-猎物模型展示如何从相遇假设建立耦合方程，再用零增长线、相图和守恒量研究变化。

这三类问题分别关心输入与平均响应的关系、离散时刻的状态更新，以及连续时间内两个种群的相互作用。选择模型时，先写清记录了什么、时间怎样计量、哪些机制被保留，再决定使用哪组方程。

参考来源与延伸阅读

Boyd 与 Vandenberghe：Introduction to Applied Linear Algebra，模型拟合、最小二乘与应用。
最小二乘法 · 量纲分析 · 统计推断 · 洛吉斯蒂模型。
Boyd、Vandenberghe，《Convex Optimization》：最小二乘与优化建模。
Jiří Lebl，《Notes on Diffy Qs》：从应用问题建立微分方程模型。
线性代数 · 优化 · 微分方程 · 贝叶斯定理

@@ 第1行： / 第1行： @@
-数学建模是把现实问题中的对象、假设和关系转化成数学表示，并利用数据、计算或推理检验其解释与预测能力的过程。模型是为特定用途保留部分特征的近似，不是现实本身；同一问题可以有多种模型。
+'''数学建模'''（mathematical modeling）是为一个实际问题选择变量、提出假设、建立数学关系，并用观测与计算检验结果的过程。模型保留的是回答当前问题所需要的特征；预测下一分钟的水位，与研究整个水箱的流场，需要的模型可以很不相同。
-== 从问题到可以检验的结果 ==
+== 水箱五分钟后有多高 ==
-一个完整建模过程需要明确目标，定义变量与单位，提出假设，选择结构和参数，求解，最后用未参与拟合的信息检查结果。若验证失败，应返回假设、数据或模型结构，而不是只重复优化参数。
+假设我们每分钟记录一次水箱水位，想用前四次读数预测接下来两分钟。下面是一组专门构造的教学数据，不是实际设备的观测。前四点用于估计参数，后两点预先留作验证。
-常见模型包括基于守恒规律的[[微分方程]]、描述随机性的[[概率]]模型、表示关系的[[图论]]模型，以及分配资源的[[优化]]模型。选择取决于研究问题、可获得的数据和允许的误差。
-== 示例：用一条直线描述水位变化 ==
-下面使用专门构造的教学数据，演示如何拟合某水箱短时间内的水位趋势。它不是实际观测数据，也不代表某台设备的实验结论。
+<div class="math-table-scroll" role="region" aria-label="水箱线性模型的训练及留出数据" tabindex="0">
 {| class="wikitable"
-! 变量 !! 含义 !! 单位
+! 数据用途 !! 时间 <math>t</math>（分钟） !! 水位 <math>h</math>（厘米）
 |-
-| <math>t</math> || 从观察开始计时的时间 || 分钟
+| 训练 || 0，1，2，3 || 1.0，2.0，2.0，4.0
 |-
-| <math>h</math> || 水位 || 厘米
+| 留出验证 || 4，5 || 4.6，5.8
-|-
-| <math>a</math> || 模型中的平均上升速率 || 厘米／分钟
-|-
-| <math>b</math> || 模型在时间零的水位 || 厘米
 |}
-假设在考察时段内流入速率和水箱截面积近似不变，用 <math>\hat h(t)=at+b</math> 作为平均趋势，测量偏差或未建模变化记入残差。数据分为训练集和留出验证集：
+</div>
-{| class="wikitable"
+水位总体上升，却不是每分钟都增加相同数值。可以先尝试一条直线描述平均趋势：
-! 用途 !! 时间 t（分钟） !! 水位 h（厘米）
+<math display="block">\hat h(t)=at+b.</math>
-|-
+符号 <math>\hat h</math> 表示预测水位，区别于读数 <math>h</math>；参数 <math>a</math> 是每分钟平均上升多少厘米，<math>b</math> 是模型在零时刻的水位。若用厘米和分钟，<math>a</math> 的单位是厘米每分钟，<math>b</math> 的单位是厘米。
-| 拟合 || 0，1，2，3 || 1.0，2.0，2.0，4.0
-|-
+在计算斜率前，先要回答为什么选直线。如果短时间内净流入量和水箱截面积近似不变，直线有一个守恒关系的依据。
-| 留出验证 || 4，5 || 4.6，5.8
-|}
+== 直线从哪里来 ==
-这里只用前四点估计参数，后两点用于模拟未来时段的检验，不能先用后两点调参再声称它们是独立验证。
+设水箱水平截面积为常数 <math>A</math>，水位 <math>h</math> 对应体积 <math>V=Ah</math>。每分钟流入体积为 <math>q_{\mathrm{in}}</math>，流出体积为 <math>q_{\mathrm{out}}</math>。没有其他漏失时，体积变化率等于净流入率：
+<math display="block">A\frac{dh}{dt}=q_{\mathrm{in}}-q_{\mathrm{out}}.</math>
+若右边也是常数，对时间积分得到
+<math display="block">h(t)=h(0)+\frac{q_{\mathrm{in}}-q_{\mathrm{out}}}{A}t.</math>
+与直线模型比较可知，斜率对应净流入率除以截面积，截距对应起始水位。
+例如 <math>A=200\ \mathrm{cm^2}</math>、净流入为 <math>180\ \mathrm{cm^3/min}</math>，水位上升速率就是 <math>180/200=0.9\ \mathrm{cm/min}</math>。这一数值说明参数怎样连接到物理量；仅凭水位读数还不能分别知道面积和流量，后面会回到这个问题。
+实际读数可能含测量误差，净流量也可能有小波动，因此数据点不必都在同一直线上。接下来需要规定怎样从几条不同的候选直线中选出一条。
+== 用四个训练点选出一条直线 ==
+对某条直线，每个训练点的残差定义为“读数减预测”：<math>r_i=h_i-at_i-b</math>。采用最小二乘，就是选 <math>a,b</math> 让残差平方和
+<math display="block">S(a,b)=\sum_{i=1}^{4}(h_i-at_i-b)^2</math>
+最小。平方使正负偏差不会互相抵消，也使较大的偏差承担更高代价。
+先固定斜率 <math>a</math>，对截距求导并令其为零：
+<math display="block">\frac{\partial S}{\partial b}=-2\sum_i(h_i-at_i-b)=0.</math>
+共有四点，因此 <math>4b=\sum_i h_i-a\sum_i t_i</math>。用横线表示平均数，便得到 <math>b=\bar h-a\bar t</math>。这说明拟合直线经过平均点 <math>(\bar t,\bar h)</math>。
-== 用最小二乘确定参数 ==
+把这个截距代回去，残差成为 <math>(h_i-\bar h)-a(t_i-\bar t)</math>。再对 <math>a</math> 求导，令其为零：
-选择平方误差目标
+<math display="block">\sum_i(t_i-\bar t)(h_i-\bar h)-a\sum_i(t_i-\bar t)^2=0.</math>
-<math display="block">S(a,b)=\sum_{i=1}^{4}(h_i-at_i-b)^2.</math>
+只要时间点不全相同，第二个求和为正，就可解出
-当时间点不全相同时，求偏导并令其为零，得到
 <math display="block">a=\frac{\sum_i(t_i-\bar t)(h_i-\bar h)}{\sum_i(t_i-\bar t)^2},\qquad b=\bar h-a\bar t.</math>
-本例 <math>\bar t=1.5</math>、<math>\bar h=2.25</math>，分子为 4.5，分母为 5，所以
+这是一个系数为正的二次目标，所得驻点也是唯一最小值。
-<math display="block">a=0.9,\qquad b=0.9,\qquad\hat h(t)=0.9t+0.9.</math>
-平方损失会更重地惩罚大偏差，也容易受异常值影响；采用它是模型选择的一部分。求最小二乘解本身不要求噪声服从正态分布，但进一步给出统计置信区间时需要额外的误差假设。
+本例平均时间为 <math>1.5</math>，平均水位为 <math>2.25</math>。时间偏差为 <math>-1.5,-0.5,0.5,1.5</math>，水位偏差为 <math>-1.25,-0.25,-0.25,1.75</math>。分子逐项相乘再相加：
+<math display="block">1.875+0.125-0.125+2.625=4.5.</math>
+分母为 <math>2.25+0.25+0.25+2.25=5</math>。所以
+<math display="block">a=4.5/5=0.9,\qquad b=2.25-0.9\times1.5=0.9.</math>
+得到预测式 <math>\hat h(t)=0.9t+0.9</math>。
+[[File:Gezhi-model-linear-fit-theme.svg|frame|center|alt=四个训练点和两个留出验证点，直线水位等于零点九倍时间加零点九，竖线表示训练残差|拟合线没有穿过所有点。训练点用于估计参数，空心方形表示未参与拟合的后续时刻数据。]]
-[[File:Gezhi-model-linear-fit.svg|frame|center|alt=四个训练点和两个留出验证点，直线水位等于零点九倍时间加零点九，竖线表示训练残差|拟合线没有穿过所有点。训练点用于估计参数，空心方形表示未参与拟合的后续时刻数据。]]
+图中实心训练点用来确定直线；从点到直线的竖线就是残差。特别是两分钟处读数为二，而直线预测为 <math>2.7</math>，对应最长的一段向下偏差。空心方形是没有参与拟合的四、五分钟读数，用来检查预测。
-== 检查残差与留出误差 ==
+== 拟合算对了吗，预测又怎样 ==
-训练点的预测值为 <math>0.9,1.8,2.7,3.6</math>，残差采用“观测减预测”的约定，为 <math>0.1,0.2,-0.7,0.4</math>。残差平方和为 0.7，训练均方根误差为
+在训练时刻，预测为 <math>0.9,1.8,2.7,3.6</math>，残差为 <math>0.1,0.2,-0.7,0.4</math>。平方和为
-<math display="block">\operatorname{RMSE}_{\mathrm{train}}=\sqrt{0.7/4}\approx0.4183\ \text{厘米}.</math>
+<math display="block">0.01+0.04+0.49+0.16=0.7.</math>
-留出点的预测为 <math>4.5,5.4</math>，残差为 <math>0.1,0.4</math>，留出 RMSE 约为 <math>\sqrt{0.17/2}=0.2915</math> 厘米。留出误差偶然低于训练误差并不矛盾；只有两个验证点，也不足以证明模型可以长期准确预测。
+均方根误差把平方和除以点数再开方，因此回到厘米单位：
+<math display="block">\operatorname{RMSE}_{\mathrm{train}}=\sqrt{0.7/4}\approx0.4183\ \mathrm{cm}.</math>
+残差还有两项可用于检查计算：和为零，与时间列的乘积和也为零。第二项是 <math>0\times0.1+1\times0.2+2\times(-0.7)+3\times0.4=0</math>，它们正是前面两个求导方程。
-除了平均误差，还应观察残差是否持续同号、是否随时间增大，以及异常点是否对应记录问题。若水箱将满、流量改变或截面积随高度变化，线性假设可能失效。拟合线继续外推到任意时刻没有依据。
+现在才使用留出数据。四分钟与五分钟的预测分别为 <math>4.5,5.4</math>，读数为 <math>4.6,5.8</math>，残差为 <math>0.1,0.4</math>。留出误差为
+<math display="block">\operatorname{RMSE}_{\mathrm{test}}=\sqrt{(0.1^2+0.4^2)/2}\approx0.2915\ \mathrm{cm}.</math>
+它比训练误差小，可以是这两个点的偶然表现，并不矛盾。两个验证点提供了一次具体检验，还不足以说明更长时间内也有同样精度。
+这里的两个问题应分开：正规方程和残差核对检验“最小二乘是否算对”；留出数据检验“这条直线能否预测未用于选择它的数据”。前者成立，不自动推出后者。若看了留出数据再调模型，就相当于又把这些数据用于选择，需要新的独立检验。
+== 一个读数改动，对预测有什么影响 ==
+只把三分钟处的训练读数从 <math>4.0</math> 改为 <math>4.1</math>，其他数据保持。由于时间没变，斜率分母仍为五。分子增量为
+<math display="block">(3-1.5)\times0.1=0.15,</math>
+因为所有时间偏差之和为零，水位平均数的变化不会额外影响分子。因此斜率增加 <math>0.15/5=0.03</math>，新斜率为 <math>0.93</math>。水位均值增加 <math>0.1/4=0.025</math>，新截距为
+<math display="block">2.275-0.93\times1.5=0.88.</math>
+五分钟处的新预测为 <math>0.93\times5+0.88=5.53</math>，比原来的 <math>5.4</math> 增加 <math>0.13</math>。一个读数只改了 <math>0.1</math>，外推处的变化却稍大。
+一般而言，参数变化给出 <math>\Delta\hat h(t)=t\Delta a+\Delta b</math>。随着预测时间增加，斜率偏差的影响被放大。若斜率偏高 <math>0.05</math> 厘米每分钟、截距偏高 <math>0.1</math> 厘米，十分钟处偏高 <math>0.6</math> 厘米，五十分钟处偏高 <math>2.6</math> 厘米。这是确定性的敏感性计算，若要把它解释为概率区间，还需统计误差模型。
+== 哪些物理量能够由读数确定 ==
+回到守恒式，水位斜率只给出 <math>(q_{\mathrm{in}}-q_{\mathrm{out}})/A</math>。面积二百、净流量一百八十给出斜率 <math>0.9</math>；面积四百、净流量三百六十也给出同样斜率。无论再观察多久，仅凭相同的线性水位变化都分不开这两种解释。
+这种不同参数产生同样预测的情形，称为参数不可识别。需要额外测量截面积或流量，才能分别确定它们；或者把可识别的比值直接作为一个参数。
+即使只估计直线的斜率与截距，采样方式也重要。若四个读数都在同一时刻，公式分母 <math>\sum(t_i-\bar t)^2</math> 为零，无法区分斜率与截距。若时刻非常接近，分母很小，同样大小的读数扰动会显著影响斜率。因此实验在哪些时刻采样，决定了数据能够回答什么问题。
+== 残差什么时候提示要换模型 ==
+继续收集数据时，如果残差先负、后正、再负，形成系统的弯曲趋势，直线可能遗漏了水位变化的弯曲。如果随着时间推移残差持续增大，可能是流量或截面积不再稳定。如果只有某一点异常，则应先核对记录、单位与传感器状况。
+例如出水口流量随水位上升而增加，净流入就不再是常数；瓶状水箱的截面积也可能随高度变化。守恒模型应相应改为
+<math display="block">A(h)\frac{dh}{dt}=q_{\mathrm{in}}(t)-q_{\mathrm{out}}(h,t).</math>
+水箱接近装满时，还需要处理容量与溢流。这样，修改模型的理由来自现象和机制，而非仅为降低已有四点的误差。
+残差平方和小，也不能证明某个输入具有因果作用。若要研究“调大入口会使水位怎样变化”，需要控制或记录流量变化、截面积等条件；仅观察两个量同时上升，可能只是共享时间趋势。模型的用途决定需要哪类证据。
+== 从这个例子形成一次完整建模过程 ==
+水箱例子的步骤可以整理为一个可重复的循环：先规定预测目标与时间范围，再列变量和单位；用体积守恒提出直线假设；用训练点求参数；核对计算并用后续点检验预测；出现系统偏差时，回到机制或观测设计修改模型。
+不同问题会采用不同数学结构。水位随时间的动态变化可用[[微分方程]]，测量误差可用[[概率]]，多个水箱之间的连接可用[[图论]]，在容量与成本限制下分配流量可用[[优化]]。这些结构都围绕所要回答的问题选择，不是每个模型都需要全部使用。
+一个可复算的模型记录应保留数据来源、变量单位、假设、训练与验证划分、计算程序和适用范围。最小二乘计算不需要先假定正态噪声，但置信区间等[[统计推断]]需要说明相应条件。量纲检查也很有用：守恒式两边都应是体积每时间，若某项单位不一致，可在求解前发现问题。
 == 下载与复现 ==
 [https://gezhi.wiki/page/%E7%89%B9%E6%AE%8A:ModelDownload/eb0be8742d04021d7851aa4bb9e63a54 下载：水位线性拟合教学包（CSV、Python、预期结果与说明）]
-资源包含原始示例 CSV、只依赖 Python 标准库的拟合脚本、预期结果和数据说明。解压后在目录内运行 <code>python3 fit.py</code>，脚本会重新计算参数、训练及留出误差，不调用外部 AI 或在线服务。
-== 模型与内容的可追溯性 ==
+教学包保留本例合成数据、仅依赖 Python 标准库的脚本与预期结果。解压后运行 <code>python3 fit.py</code>，可以复算参数 <math>a=b=0.9</math>、训练平方和 <math>0.7</math> 与留出平方和 <math>0.17</math>。修改三分钟读数后，也可检查上一节的扰动结果。
-模型发布时应保留数据来源、变量单位、假设、求解方法、验证划分、代码环境和适用范围。使用 AI 辅助整理或计算，仍需逐式核验、检查数据授权与复现结果；语言流畅不能替代实证证据。实际项目若出现新数据，应记录更新版本，而不是悄悄替换数据后沿用旧结论。
+== 方法背景 ==
+天文测量、力学与人口研究都推动了数学模型的发展。这里使用的最小二乘法，在 Legendre 1805 年的发表及 Gauss 后来的工作中形成了重要发展，具体文献见[[最小二乘法]]。它将“怎样选一条最合适的曲线”变成可计算的目标。
+[https://web.stanford.edu/~boyd/vmls/ Boyd 与 Vandenberghe 的应用线性代数教材]从数据与应用问题展开拟合；[https://www.jirka.org/diffyqs/ Lebl 的微分方程教材]从动态过程建立方程。水箱例子同时使用了这两种思路：守恒解释结构，数据估计参数，后续观测检验用途。
+== 按问题选择模型 ==
+水位拟合的统计解释见[[线性模型]]：它沿用本例数据，区分真实平均响应、拟合线和下一次随机读数，并计算两种不同的区间。若问题改成“每月先流失一定比例，再补入固定水量”，[[差分方程模型]]从状态更新式推导平衡水量与收敛速度。若两个状态互相影响，[[捕食者-猎物模型]]展示如何从相遇假设建立耦合方程，再用零增长线、相图和守恒量研究变化。
+这三类问题分别关心输入与平均响应的关系、离散时刻的状态更新，以及连续时间内两个种群的相互作用。选择模型时，先写清记录了什么、时间怎样计量、哪些机制被保留，再决定使用哪组方程。
-== 延伸阅读 ==
+== 参考来源与延伸阅读 ==
+* [https://web.stanford.edu/~boyd/vmls/ Boyd 与 Vandenberghe：Introduction to Applied Linear Algebra]，模型拟合、最小二乘与应用。
+* [[最小二乘法]] · [[量纲分析]] · [[统计推断]] · [[洛吉斯蒂模型]]。
 * [https://stanford.edu/~boyd/cvxbook/ Boyd、Vandenberghe，《Convex Optimization》]：最小二乘与优化建模。
 * [https://www.jirka.org/diffyqs/ Jiří Lebl，《Notes on Diffy Qs》]：从应用问题建立微分方程模型。
 * [[线性代数]] · [[优化]] · [[微分方程]] · [[贝叶斯定理]]
 [[分类:应用与建模]]