数学建模

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。

从问题到可以检验的结果

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。

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。

变量	含义	单位
$t$	从观察开始计时的时间	分钟
$h$	水位	厘米
$a$	模型中的平均上升速率	厘米／分钟
$b$	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 $\hat{h} (t) = a t + b$ 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：

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

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。

用最小二乘确定参数

选择平方误差目标 $S (a, b) = \sum_{i = 1}^{4} (h_{i} - a t_{i} - b)^{2} .$ 当时间点不全相同时，求偏导并令其为零，得到 $a = \frac{\sum_{i} (t_{i} - \bar{t}) (h_{i} - \bar{h})}{\sum_{i} (t_{i} - \bar{t})^{2}}, b = \bar{h} - a \bar{t} .$ 本例 $\bar{t} = 1.5$ 、 $\bar{h} = 2.25$ ，分子为 4.5，分母为 5，所以 $a = 0.9, b = 0.9, \hat{h} (t) = 0.9 t + 0.9.$ 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。

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。

检查残差与留出误差

训练点的预测值为 $0.9, 1.8, 2.7, 3.6$ ，残差采用“观测减预测”的约定，为 $0.1, 0.2, - 0.7, 0.4$ 。残差平方和为 0.7，训练均方根误差为 ${RMSE}_{t r a i n} = \sqrt{0.7 / 4} \approx 0.4183 厘米 .$ 留出点的预测为 $4.5, 5.4$ ，残差为 $0.1, 0.4$ ，留出 RMSE 约为 $\sqrt{0.17 / 2} = 0.2915$ 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。

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。

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）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 python3 fit.py，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

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。

延伸阅读

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