美赛团队协作完全指南

以C题（大数据类）为例，详细说明三人团队的分工、工具配置和协作流程

📋 目录

团队角色定位
工具环境配置
协作流程详解
五天时间轴
衔接关键点

团队角色定位

🎯 建模手（Model Designer）

主要职责

理解问题需求，拆解建模目标
选择合适的模型和算法
设计模型框架和逻辑
验证模型可行性
撰写模型推导部分

需要掌握的技能

数学建模基础
- 常见模型类型（评价、预测、优化）
- 模型选择原则
- 假设提出与合理性分析
C题高频模型（必须熟悉至少3-4个）
- 时间序列：ARIMA、LSTM
- 机器学习：随机森林、XGBoost、K-means
- 回归分析：线性回归、逻辑回归
- 深度学习：神经网络基础
模型验证方法
- 评价指标（R²、RMSE、MAE、准确率等）
- 交叉验证
- 灵敏度分析
文献检索能力
- 快速查找相关论文
- 了解领域最新方法
- 参考O奖论文的模型选择

需要使用的工具

模型验证工具：SPSSPRO（快速验证）、Python scikit-learn
AI辅助：ChatGPT/Claude（查询"C题预测最优模型"）
文献工具：Google Scholar、知网、百度学术
笔记工具：Markdown编辑器（VSCode、Typora）

工作输出

模型选择方案文档
模型框架图
数学推导过程
模型假设列表
参数设置建议

💻 编程手（Programmer）

主要职责

实现建模手设计的模型
数据获取、清洗和预处理
模型训练和参数调优
生成计算结果和图表
代码优化和调试

需要掌握的技能

Python编程（必须）
- NumPy、Pandas数据处理
- Matplotlib、Seaborn可视化
- Scikit-learn机器学习
- TensorFlow/PyTorch深度学习（可选）
数据处理流程
- 数据清洗（缺失值、异常值处理）
- 特征工程（标准化、归一化）
- 数据划分（训练集、测试集）
模型实现能力
- 能快速找到并改写现成代码
- 调用主流库实现模型
- 参数调优技巧
可视化技能
- 绘制预测曲线、散点图
- 绘制误差分析图、混淆矩阵
- 绘制聚类结果、热力图
Git版本控制（重要！）
- 代码提交与回滚
- 分支管理
- 团队协作

需要使用的工具

核心开发工具

Python环境：Anaconda（推荐）
IDE：VSCode / PyCharm / Jupyter Lab
版本控制：Git + GitHub

Python核心库

# 必装
pip install numpy pandas matplotlib seaborn
pip install scikit-learn scipy statsmodels
pip install jupyter notebook

# 深度学习（可选）
pip install tensorflow  # 或 pytorch

# 数据获取
pip install requests beautifulsoup4 pandas-datareader

# 优化工具
pip install pulp cvxpy

VSCode插件配置

必装插件：
- Python（Microsoft官方）
- Pylance（代码补全）
- Jupyter（支持.ipynb）
- GitLens（Git可视化）

推荐插件：
- Code Runner（快速运行代码）
- Markdown All in One（写文档）
- Error Lens（实时显示错误）

Git配置（团队协作必备）

# 初始化仓库（第一次）
cd MathModelHub
git init
git config user.name "YourName"
git config user.email "your@email.com"

# 日常工作流
git add .                    # 添加所有修改
git commit -m "完成第一问代码"  # 提交说明
git push origin main         # 推送到远程（团队共享）

# 拉取队友更新
git pull origin main         # 获取最新代码

工作输出

可运行的Python代码
处理后的数据文件
计算结果（CSV/Excel）
各类图表（PNG/PDF，300 DPI）
代码说明文档

✍️ 写作手（Writer）

主要职责

撰写论文所有文字部分
绘制逻辑流程图、框架图
论文排版和美化
翻译和语法检查
最终论文整合

需要掌握的技能

LaTeX排版（强烈推荐）
- 基本语法
- 公式编写
- 图表插入
- 参考文献管理
论文结构设计
- 摘要写作（最重要！）
- 引言、文献综述
- 问题分析、模型描述
- 结果分析、结论建议
英文写作
- 学术英语表达
- 避免中式英语
- 使用连接词和过渡句
图表绘制
- 流程图、框架图（非数据图）
- 模型示意图
- 逻辑关系图
翻译技巧
- 使用翻译工具
- 润色和校对
- 专业术语准确性

需要使用的工具

LaTeX环境配置

📚 详细教程：查看 templates/07_README.md 获取完整的LaTeX配置和使用教程
📋 速查表：查看 templates/08_LATEX_CHEATSHEET.md 快速查找LaTeX命令

# 方案1：在线编辑器（推荐新手）⭐
- Overleaf（https://overleaf.com）
  优点：免费、无需配置、实时预览、团队协作
  模板位置：templates/latex/mcmthesis/
  
# 方案2：本地环境（推荐熟手）
- MacTeX（Mac）/ MiKTeX（Windows）
- VSCode + LaTeX Workshop插件
  详细配置见 templates/07_README.md

VSCode LaTeX配置

推荐插件：
- LaTeX Workshop（必装）
- LaTeX Utilities（辅助）
- Spell Right（拼写检查）

LaTeX Workshop配置：
1. 安装插件后自动检测TeX环境
2. Ctrl/Cmd + S 保存时自动编译
3. 点击PDF预览实时查看

翻译工具

DeepL（推荐）：https://www.deepl.com
ChatGPT：学术润色、改写
Grammarly：语法检查（浏览器插件）
QuillBot：改写工具

画图工具

流程图：
- Draw.io（https://app.diagrams.net，免费）
- ProcessOn（国内，免费）
- Visio（专业）
模型框架图：
- PowerPoint（简单快速）
- Inkscape（矢量图，免费）
- Adobe Illustrator（专业）
数学公式：
- LaTeX内置
- MathType（Word）
- Online LaTeX Equation Editor

Git协作（论文版本管理）

# 论文也要用Git管理！
git add paper/main.tex
git commit -m "完成摘要初稿"
git push

# 避免冲突：每次开始写作前先拉取
git pull origin main

工作输出

完整的LaTeX论文源码
所有流程图、框架图（矢量格式）
翻译后的英文稿
最终PDF论文

工具环境配置

全员必备

1. Git团队协作配置

为什么需要Git？

防止代码/论文丢失
实时同步团队进度
版本回滚（出错时恢复）
避免文件冲突

自编参考文档： tools-git 配置步骤：

# Step 1: 安装Git
# Mac: 已预装
# Windows: 下载 https://git-scm.com，自己网上搜教程

# Step 2: 配置身份
git config --global user.name "你的名字"
git config --global user.email "你的邮箱"

# Step 3: 创建GitHub/Gitee仓库（队长操作）
# 在GitHub创建私有仓库 MathModelHub
# 邀请队友为协作者

# Step 4: 克隆仓库到本地（所有人）
git clone https://github.com/yourteam/MathModelHub.git
cd MathModelHub

# Step 5: 日常协作命令
git status                # 查看修改状态
git add .                 # 添加所有修改
git commit -m "说明"       # 提交修改
git pull                  # 拉取队友更新（先拉取！）
git push                  # 推送到远程

# Step 6: 冲突处理（如果出现）
# 手动编辑冲突文件，保留正确内容
git add .
git commit -m "解决冲突"
git push

协作规范：

⚠️ 每次开始工作前先 git pull
⚠️ 完成一个小任务就提交一次
⚠️ commit信息要清楚（如"完成第一问代码"）
⚠️ 不要提交大文件（>100MB用Git LFS）

2. 团队沟通工具(可选)

腾讯会议/飞书会议：全程连麦
微信群/钉钉群：快速沟通
共享文档：
- 腾讯文档（实时协作）
- 石墨文档
- Notion（推荐，功能强大）

3. 文件共享

坚果云/百度网盘：备份论文和数据
GitHub仓库：代码和LaTeX源文件
Overleaf：LaTeX多人协作

编程手专属配置

Python开发环境

# 1. 安装Anaconda（推荐）
# 下载：https://www.anaconda.com/download

# 2. 创建虚拟环境（隔离项目）
conda create -n mcm python=3.10
conda activate mcm

# 3. 安装必备库
pip install -r requirements.txt

# 或手动安装
pip install numpy pandas matplotlib seaborn scikit-learn scipy statsmodels jupyter

VSCode完整配置

// settings.json（VSCode设置）
{
    "python.defaultInterpreterPath": "/path/to/anaconda/envs/mcm/bin/python",
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "python.formatting.provider": "black",
    "editor.formatOnSave": true,
    "files.autoSave": "afterDelay",
    "files.autoSaveDelay": 1000
}

必装VSCode插件列表：

- Python（Microsoft）
- Pylance
- Jupyter
- GitLens
- Code Runner
- Error Lens
- autoDocstring（自动生成文档）
- Better Comments（注释高亮）

写作手专属配置

LaTeX环境（两种方案）

方案1：VSCode本地环境（强烈推荐）⭐⭐⭐

为什么推荐本地环境？

✅ 完全离线，编译速度快
✅ 与Git完美集成，协作方便
✅ 功能强大（自动补全、实时预览）
✅ 完全免费，无任何限制
✅ 比赛时更稳定（不依赖网络）

安装步骤：

# Mac安装（约4GB，需20-30分钟）
brew install --cask mactex
# 或下载 http://www.tug.org/mactex/

# Windows安装
# 下载 MiKTeX: https://miktex.org/download
# 安装时选择"Install missing packages on-the-fly: Yes"

# VSCode配置
1. 安装插件：LaTeX Workshop
2. 编译快捷键：
   - Ctrl/Cmd + Alt + B: 编译
   - Ctrl/Cmd + Alt + V: 预览PDF

详细配置： 见 templates/07_README.md

方案2：Overleaf在线（备选，不推荐）

⚠️ 不推荐原因：

❌ 免费版有严格限制（编译超时）
❌ 3人协作需要付费升级
❌ 需要稳定网络，断网无法工作
❌ 大项目编译很慢

如果实在需要用：

1. 注册 https://overleaf.com（用学校邮箱）
2. 创建新项目，上传MCM模板
3. 建议：仅作为备份，主环境用VSCode本地

翻译工具配置

1. DeepL（必备）
   - 网页版：https://www.deepl.com
   - 客户端：更方便（推荐）
   - 每次翻译整段，不要逐句

2. ChatGPT润色
   提示词：
   "请将以下中文翻译成学术英语，用于数学建模论文：
   [你的中文]"

3. Grammarly浏览器插件
   - 安装后自动检查语法
   - 在VSCode和Overleaf中都能用

协作流程详解

C题核心流程（大数据/预测类）

阶段1：模型选择（Day 1下午，建模手主导）

建模手工作流：

1. 拆解题目需求
   ├─ 识别问题类型（预测？分类？聚类？）
   ├─ 明确评价指标（准确率？R²？）
   └─ 确定数据类型（时间序列？横截面？）

2. 选择候选模型（2-3个）
   ├─ 查阅O奖论文：past_problems/下找类似题目
   ├─ AI辅助：问ChatGPT "C题 预测趋势 最佳模型"
   └─ 参考本项目：docs/06_algorithms_reference.md

3. 快速验证可行性
   ├─ 用SPSSPRO跑小样本数据
   ├─ 评估R²/准确率是否合理
   └─ 确认代码包是否有现成实现

4. 确定最终方案
   ├─ 主模型：如LSTM（深度学习，适合时序）
   ├─ 对比模型：如ARIMA（经典，易解释）
   └─ 输出：模型选择文档 + 框架图

与编程手衔接：

⚠️ 确认模型后立即告知编程手
⚠️ 提供参考代码链接（GitHub/论文）
⚠️ 说明参数设置建议

与写作手衔接：

⚠️ 提供模型逻辑框架
⚠️ 解释模型选择理由
⚠️ 列出关键假设

阶段2：代码实现（Day 2-3，编程手主导）

编程手工作流：

1. 数据获取与预处理
   ├─ 读取数据：pandas.read_csv()
   ├─ 探索性分析：describe(), info(), head()
   ├─ 数据清洗：
   │   ├─ 缺失值：dropna() / fillna()
   │   ├─ 异常值：3σ原则 / IQR
   │   └─ 重复值：drop_duplicates()
   └─ 特征工程：
       ├─ 标准化：StandardScaler
       ├─ 归一化：MinMaxScaler
       └─ 特征选择：相关性分析

2. 模型实现（套用现成代码）
   ├─ 找代码：GitHub搜索 "LSTM time series prediction"
   ├─ 改写：替换数据、调整参数
   └─ 调试：确保能跑通

3. 模型训练与验证
   ├─ 划分数据集：train_test_split(test_size=0.2)
   ├─ 训练模型：model.fit()
   ├─ 评估：计算R², RMSE, MAE
   └─ 调优：网格搜索 / 手动调参

4. 生成结果和图表
   ├─ 预测结果：保存为CSV
   ├─ 数据类图表（编程手负责）：
   │   ├─ 预测曲线：plot_time_series()
   │   ├─ 误差分析图：残差图、QQ图
   │   ├─ 聚类散点图：scatter plot
   │   └─ 热力图、混淆矩阵等
   └─ 保存：300 DPI PNG/PDF

代码模板示例（LSTM预测）：

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
import matplotlib.pyplot as plt

# 1. 数据加载
data = pd.read_csv('data.csv')
values = data['value'].values.reshape(-1, 1)

# 2. 数据标准化
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(values)

# 3. 创建时间序列数据集
def create_dataset(data, look_back=10):
    X, y = [], []
    for i in range(len(data) - look_back):
        X.append(data[i:i+look_back])
        y.append(data[i+look_back])
    return np.array(X), np.array(y)

X, y = create_dataset(scaled_data)

# 4. 划分训练集和测试集
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]

# 5. 构建LSTM模型
model = Sequential([
    LSTM(50, activation='relu', input_shape=(X_train.shape[1], 1)),
    Dense(1)
])
model.compile(optimizer='adam', loss='mse')

# 6. 训练
history = model.fit(X_train, y_train, epochs=100, 
                    validation_split=0.2, verbose=0)

# 7. 预测
predictions = model.predict(X_test)
predictions = scaler.inverse_transform(predictions)

# 8. 可视化
plt.figure(figsize=(12, 6))
plt.plot(y_test, label='Actual')
plt.plot(predictions, label='Predicted')
plt.legend()
plt.savefig('prediction.png', dpi=300, bbox_inches='tight')

与建模手衔接：

⚠️ 遇到问题及时沟通（模型跑不通、效果差）
⚠️ 同步训练进度和初步结果
⚠️ 确认评价指标是否符合预期

与写作手衔接：

⚠️ 第一问结果出来立即同步
⚠️ 提供结果数据（CSV）和图表（PNG）
⚠️ 解释图表含义和关键发现

阶段3：论文撰写（Day 2-4，写作手主导）

写作手工作流：

1. Day 2上午：画逻辑框架图（不等代码）
   ├─ 整体流程图：数据→预处理→模型→结果
   ├─ 模型框架图：LSTM结构示意图
   └─ 使用Draw.io / PPT绘制

2. Day 2上午-下午：撰写前置部分
   ├─ 引言（Introduction）
   │   ├─ 问题背景：为什么重要？
   │   ├─ 文献综述：前人做了什么？
   │   └─ 论文结构：We organize...
   ├─ 问题重述（Restatement）
   │   └─ 用自己的话重新表述题目
   └─ 假设（Assumptions）
       └─ 建模手提供，写作手润色

3. Day 2下午-Day 3：边做边写
   ├─ 收到第一问结果→立即写第一问
   ├─ 模型描述：
   │   ├─ 为什么选这个模型？
   │   ├─ 模型公式和原理
   │   └─ 参数设置说明
   └─ 结果分析：
       ├─ 描述图表（Figure X shows...）
       ├─ 解释趋势和规律
       └─ 回答问题

4. Day 4上午：完成所有问题
   ├─ 确保每个问题都有结论
   ├─ 模型检验：
   │   ├─ 灵敏度分析（重要！）
   │   ├─ 稳定性分析
   │   └─ 误差分析
   └─ 结论与建议

5. Day 4下午：翻译与润色
   ├─ 使用DeepL整段翻译
   ├─ ChatGPT润色：
   │   "请润色以下学术英语段落：..."
   ├─ Grammarly检查语法
   └─ 团队互相检查

6. Day 4晚上：摘要（最后写！）
   ├─ 问题是什么？（1-2句）
   ├─ 我们做了什么？（3-4句）
   │   ├─ 提到主要模型
   │   ├─ 提到关键方法
   │   └─ 提到创新点
   ├─ 结论是什么？（2-3句）
   │   └─ 量化结果
   └─ 建议是什么？（1-2句）

逻辑类图表（写作手负责）：

整体流程图
模型框架图
问题分析图
层次结构图

摘要写作模板：

[Problem]
We address the problem of [具体问题]. This is important because [重要性].

[Approach]
To solve this, we develop a [模型名称] model that [做什么]. Specifically, we:
- First, we [步骤1]
- Then, we [步骤2] using [方法]
- Finally, we [步骤3]

Our model incorporates [创新点/特色].

[Results]
Our results show that [关键发现1]. Specifically, [具体数据]. We also find that [关键发现2], with [量化结果].

[Recommendations]
Based on our analysis, we recommend [建议1] and [建议2]. These recommendations will [效果].

Keywords: [关键词3-5个]

五天时间轴

Day 1（选题日）- 全员协作

时间	建模手	编程手	写作手
7:00-9:30	读题，记录每题思路	读题，评估数据可得性	读题，评估写作难度
9:30-10:00	讨论：排除无思路题目，留下1-2个候选
10:00-12:00	查文献，评估模型可行性	查GitHub，评估代码可得性	查O奖论文，评估写作难度
12:00	确定最终选题（C题）
14:00-15:30	拆解问题，列出建模目标	查找数据来源	阅读类似O奖论文
15:30-18:00	选择候选模型（2-3个）	下载数据，探索性分析	创建LaTeX项目，写论文大纲
18:00-20:00	确定第一问模型（如LSTM）	数据预处理，完成清洗	撰写引言、问题重述
20:00-22:00	撰写模型推导	搭建模型框架（不训练）	画整体流程图

Day 1关键衔接点：

⚠️ 18:00前必须确定第一问模型
⚠️ 建模手要告诉编程手参考代码链接
⚠️ 建模手要给写作手模型逻辑框架

Day 2（攻坚日）- 并行推进

时间	建模手	编程手	写作手
8:00-12:00	完成第二问建模	训练第一问模型	撰写假设、问题分析
12:00	✅ 第一问模型推导完成	✅ 第一问结果输出	收到第一问结果
14:00-18:00	设计第三问模型	优化第一问，开始第二问	撰写第一问模型描述和结果
18:00-22:00	完成第三问建模	第二问代码实现	完成第一问全部内容

Day 2关键衔接点：

⚠️ 12:00 第一问结果必须出来
⚠️ 编程手要同步给写作手：结果CSV + 图表PNG
⚠️ 写作手要问清楚图表含义

Day 3（冲刺日）- 加速完成

时间	建模手	编程手	写作手
8:00-12:00	辅助编程手调试	完成第二问	撰写第二问内容
12:00	✅ 所有建模完成	✅ 第二问结果输出	收到第二问结果
14:00-18:00	做灵敏度分析	完成第三问	完成第二问撰写
18:00-22:00	撰写模型检验	做补充实验/画图	撰写第三问
22:00	-	✅ 所有问题代码完成	-

Day 3关键衔接点：

⚠️ 前三问中文稿必须完成
⚠️ 所有图表必须生成
⚠️ 所有数据结果必须确认

Day 4（打磨日）- 翻译润色

时间	建模手	编程手	写作手
8:00-12:00	检查模型逻辑	优化图表美观度	完成中文稿剩余部分
12:00	✅ 中文完整稿完成
14:00-18:00	辅助写摘要	补充灵敏度分析图	翻译（DeepL）
18:00-22:00	检查英文模型部分	检查图表和数据	润色（ChatGPT）
22:00-02:00	休息	休息	排版、调格式、写摘要

Day 4关键衔接点：

⚠️ 12:00前中文稿完成
⚠️ 摘要最后写（需要所有结果）
⚠️ 图表DPI必须300

Day 5（提交日）- 最终检查

时间	全员任务
8:00-9:00	交叉检查论文
9:00-9:30	修改发现的问题
9:30-10:00	生成最终PDF，提交！

最终检查清单：

□ 摘要完整（问题-方法-结果-建议）
□ 所有图表清晰（300 DPI）
□ 公式编号正确
□ 参考文献格式统一
□ 无语法错误（Grammarly检查）
□ 页数≤25页
□ PDF文件名正确
□ 控制编号填写正确

衔接关键点

1. 建模手 ↔ 编程手

关键衔接点：

时机	建模手输出	编程手需求
选题后	模型选择方案	确认代码包可得性
开始建模	模型框架、参考论文	找到参考代码
模型确定	数学公式、参数建议	实现代码
代码卡住	简化模型或换方案	反馈问题
结果异常	分析原因、调整模型	提供详细错误信息

避免脱节：

⚠️ 建模手选模型前问"有现成代码吗？"
⚠️ 编程手遇到问题立即反馈，不要死磕
⚠️ 不要选太复杂的模型（止步M奖）

沟通方式：

建模手：我准备用LSTM做时序预测，你看这个代码能用吗？
       [发GitHub链接]

编程手：可以，但这个代码需要TensorFlow 2.x
       我们环境是2.10，应该能跑

建模手：行，参数我建议用50个隐藏单元，学习率0.001

编程手：收到，我先跑一版看看效果

2. 编程手 ↔ 写作手

关键衔接点：

时机	编程手输出	写作手需求
数据预处理完成	数据描述统计	写数据来源和处理
第一问结果出	结果CSV + 图表PNG	分析结果，撰写
每个问题完成	同步结果和图	立即写对应部分
画图时	确认图的含义	图题、图注怎么写
最终检查	所有数据和图	核对论文中的数字

图表分工：

编程手负责：预测曲线、散点图、误差图、热力图等数据类图表
写作手负责：流程图、框架图、示意图等逻辑类图表

避免重复画图：

编程手：这个预测曲线我已经画好了，在figures/prediction.png
写作手：好的，那模型框架图我来画

编程手：你需要聚类结果的散点图吗？参数可调
写作手：需要，最好用不同颜色区分簇，图例要清楚

文件传递规范：

figures/
├── q1_prediction.png       # 第一问预测图（编程手）
├── q1_error_analysis.png   # 误差分析（编程手）
├── model_framework.png     # 模型框架（写作手）
└── workflow.png            # 流程图（写作手）

results/
├── q1_predictions.csv      # 第一问结果
├── q2_clustering.csv       # 第二问结果
└── sensitivity_analysis.csv # 灵敏度分析

3. 建模手 ↔ 写作手

关键衔接点：

时机	建模手输出	写作手需求
模型选择	模型逻辑框架	画流程图
模型推导	数学公式、变量说明	写模型描述
假设提出	假设列表和理由	撰写假设部分
模型检验	灵敏度分析方法	写检验部分
写摘要	关键创新点	摘要突出亮点

沟通方式：

写作手：你这个模型为什么选LSTM不选ARIMA？
建模手：因为数据有非线性特征，LSTM能捕捉长期依赖
       论文里你可以写"考虑到时间序列的非线性和长期依赖性..."

写作手：灵敏度分析你做了哪些参数？
建模手：测试了学习率0.001, 0.01, 0.1，隐藏单元50, 100, 200
       结果表明学习率0.001时最稳定

写作手：好的我写进去

4. 全员协作要点

每日站会（15分钟）：

时间：每天早上9:00

内容：
- 昨天完成了什么？
- 今天计划做什么？
- 遇到什么困难？

示例：
建模手：昨天完成第一问建模，今天做第二问，需要编程手确认数据格式
编程手：昨天跑通第一问，今天优化和做第二问，没问题
写作手：昨天写了引言，今天写第一问，需要编程手同步结果

实时沟通规范：

✅ 好的沟通：
"第一问LSTM结果出来了，R²=0.92，图表在figures/q1.png"

❌ 不好的沟通：
"弄好了"（什么弄好了？在哪？）

Git提交规范：

# 清晰的commit message
git commit -m "完成第一问LSTM模型代码"
git commit -m "添加第一问预测曲线图"
git commit -m "完成论文引言和假设部分"

# 不好的commit
git commit -m "update"
git commit -m "修改"

常见问题处理

Q1: 模型跑不出结果怎么办？

建模手和编程手协作：

先简化模型（复杂→简单）
检查数据预处理（最常见问题）
调整参数（学习率、迭代次数）
换备选模型（LSTM跑不通→用ARIMA）
关键：不要死磕，保证论文完整性

Q2: 时间不够怎么办？

优先级排序：

摘要（最重要！占分40%）
论文完整性（有结论）
图表质量
模型复杂度
语言润色

应急策略：

简化后面的问题
减少模型对比
用简单模型（线性回归也行）
保证前两问质量

Q3: Git冲突怎么办？

预防：

每次工作前先 git pull
不同人改不同文件
LaTeX用Overleaf（自动合并）

解决：

# 出现冲突时
git pull  # 会提示冲突文件

# 打开冲突文件，看到：
<<<<<<< HEAD
你的修改
=======
队友的修改
>>>>>>> branch

# 手动选择保留哪个，或合并
# 删除标记符号 <<<< ==== >>>>

git add 冲突文件
git commit -m "解决冲突"
git push

Q4: 队友节奏不一致怎么办？

建议：

提前一周磨合
明确分工和deadline
每日站会同步进度
互相帮助（提前完成的帮忙检查）

工具速查表

建模手

任务	工具
模型选择	O奖论文、ChatGPT、algorithms_reference.md
快速验证	SPSSPRO、Python scikit-learn
文献检索	Google Scholar、知网
笔记	Markdown（VSCode/Typora）

编程手

任务	工具
Python环境	Anaconda
IDE	VSCode + Python插件
版本控制	Git + GitHub/Gitee
数据处理	NumPy, Pandas
机器学习	Scikit-learn, TensorFlow
可视化	Matplotlib, Seaborn
调试	Jupyter Notebook

写作手

任务	工具
LaTeX编辑	Overleaf（在线）/ VSCode + LaTeX Workshop
翻译	DeepL, ChatGPT
语法检查	Grammarly
流程图	Draw.io, ProcessOn
公式编辑	LaTeX, MathType
版本控制	Git

全员

任务	工具
版本控制	Git
沟通	腾讯会议、微信
文档协作	腾讯文档、Notion
文件共享	GitHub、坚果云

总结

成功的关键

提前准备：工具环境配置好（尤其Git！）
明确分工：各司其职，不越界不脱节
实时沟通：遇到问题立即反馈
并行工作：不要等前一步完成才开始
保持节奏：每日站会，确保同步

最重要的三句话

⚠️ Git先pull再push（避免冲突）
⚠️ 结果出来立即同步（不要等）
⚠️ 论文完整最重要（不追求完美）

祝你们团队协作顺利，美赛取得好成绩！🏆

FilesExpand file tree

team_workflow.md

Latest commit

History

team_workflow.md

File metadata and controls

美赛团队协作完全指南

📋 目录

团队角色定位

🎯 建模手（Model Designer）

主要职责

需要掌握的技能

需要使用的工具

工作输出

💻 编程手（Programmer）

主要职责

需要掌握的技能

需要使用的工具

核心开发工具

Python核心库

VSCode插件配置

Git配置（团队协作必备）

工作输出

✍️ 写作手（Writer）

主要职责

需要掌握的技能

需要使用的工具

LaTeX环境配置

VSCode LaTeX配置

翻译工具

画图工具

Git协作（论文版本管理）

工作输出

工具环境配置

全员必备

1. Git团队协作配置

2. 团队沟通工具(可选)

3. 文件共享

编程手专属配置

Python开发环境

VSCode完整配置

写作手专属配置

LaTeX环境（两种方案）

翻译工具配置

协作流程详解

C题核心流程（大数据/预测类）

阶段1：模型选择（Day 1下午，建模手主导）

阶段2：代码实现（Day 2-3，编程手主导）

阶段3：论文撰写（Day 2-4，写作手主导）

五天时间轴

Day 1（选题日）- 全员协作

Day 2（攻坚日）- 并行推进

Day 3（冲刺日）- 加速完成

Day 4（打磨日）- 翻译润色

Day 5（提交日）- 最终检查

衔接关键点

1. 建模手 ↔ 编程手

2. 编程手 ↔ 写作手

3. 建模手 ↔ 写作手

4. 全员协作要点

常见问题处理

Q1: 模型跑不出结果怎么办？

Q2: 时间不够怎么办？

Q3: Git冲突怎么办？

Q4: 队友节奏不一致怎么办？

工具速查表

建模手

编程手

写作手

全员

总结

成功的关键

最重要的三句话