模板网站可以自己买空间吗吗,企业官网策划,开发软件app公司,手机上能不能制作网站开发2022年第十一届数学建模国际赛小美赛 D题 野生动物贸易是否应长期禁止 原题再现#xff1a; 野生动物市场被怀疑是此次疫情和2002年SARS疫情的源头#xff0c;食用野生肉类被认为是非洲埃博拉病毒的一个来源。在冠状病毒爆发后#xff0c;中国最高立法机构永久性地加强了野…2022年第十一届数学建模国际赛小美赛 D题 野生动物贸易是否应长期禁止 原题再现 野生动物市场被怀疑是此次疫情和2002年SARS疫情的源头食用野生肉类被认为是非洲埃博拉病毒的一个来源。在冠状病毒爆发后中国最高立法机构永久性地加强了野生动物交易规则。冠状病毒被认为起源于武汉的一个野生动物市场。一些科学家推测一旦疫情结束应急措施将被取消。   野生动物产品贸易应如何长期监管一些研究人员希望无一例外地全面禁止野生动物贸易而另一些研究人员则表示一些动物的可持续贸易是可能的而且对依赖野生动物为生的人们有利。据北京非营利的企业家与生态协会估计禁止食用野肉可能会使中国经济损失500亿元人民币71亿美元并使100万人失业。   由中国武汉病毒研究所的李时政和崔洁领导的一个团队追踪致命SARS病毒的起源终于在2017年找到了他们的确凿证据。在云南省的一个偏僻洞穴里病毒学家发现了一个马蹄蝠种群该种群携带病毒株与2002年跳到人类身上的病毒株具有相同的基因结构导致全世界近800人死亡。研究人员于2017年11月30日在《公共科学图书馆·病原体》杂志上发表报告称这种致命毒株很容易从这种蝙蝠种群中产生。另一个悬而未决的问题是一种来自云南蝙蝠的病毒如何传播到1000公里以外的广东动物和人类身上而不会在云南本身造成任何疑似病例。野生动物贸易就是答案。虽然野生动物食用时会高温烹调但有些病毒很难存活人类可能会接触到野生动物市场上的动物分泌物。他们警告说这些成分已经到位类似的疾病将再次出现。野生动物贸易有许多负面影响其中最重要的是   图1:2002年SARS疫情与中国市场销售的果子狸有关 •人口减少和灭绝   •引入入侵物种   •新疾病向人类传播 我们使用CITES贸易数据库作为我的数据源。该数据库包含2 000多万份贸易记录可以公开访问。附件为1990-2021年哺乳动物贸易数据也可通过以下链接获取完整数据库https://caiyun.139.com/m/i?0f5ckacoddpej   要求您的团队建立合理的数学模型分析数据并解决以下问题 1、哪些野生动物群体和物种的交易量最大以野生动物为例   2、这些动物的主要贸易目的是什么   3、过去二十年2003-2022年贸易发生了怎样的变化   4、野生动物贸易是否与重大传染病疫情有关   5、你同意长期禁止野生动物贸易吗它是否会对经济和社会产生重大影响为什么   6、致函美国政府有关部门阐述您的观点和政策建议。 整体求解过程概述(摘要) 基于19902021年32年的野生动物贸易数据建立了若干数学模型得出了野生动物贸易的特点、变化趋势及其与主要传染病的关系并提出了野生动物贸易的建议。   首先统一了野生动物进出口贸易的数量和单位然后利用SPSS对1990-2021年的贸易数据进行分析。据统计食蟹猴种类最多达151810种。种群数量最多的是猕猴共计157875只。商业性贸易数量最多为4453倍。   其次建立了基于LSTM神经网络的2022年贸易数据预测模型。以1990-2021年的贸易数据为输入变量对模型进行训练并采用三次样条插值对模型进行改进与以前的模型相比RMSE分别下降了71.63%和90.43%。最后我们发现在过去20年中进出口贸易总额呈现下降趋势具体结论见3.4.2。   第三运用Pearson相关分析和灰色关联分析构建相关分析模型分析野生动物贸易与主要传染病的关系。平均Pearson系数为0.3429。平均灰色关联度为0.8543高度相关因此认为野生动物贸易与主要传染病之间存在一定的相关性。   第四建立分析模型从经济和社会的角度分析野生动物贸易是否应该长期禁止。采用层次分析法建立模型得出野生动物贸易给国家带来巨大的经济利益但如果发生疫情则经济损失将是收益的十倍以上。综合社会的诸多利弊我们认为野生动物贸易不应长期禁止而应严格规范和限制。在此基础上对美国鱼类和野生动物局提出了一些建议。   最后总结了该模型的优缺点并提出了今后的改进方向。 模型假设 为了便于以下讨论我们首先假设 ⚫该数据集具有不可否认的真实性和准确性。   ⚫没有考虑气候变化等外部因素。 问题重述 我们需要分析1990年至2021年的哺乳动物贸易数据并建立模型来解决以下问题 •确定野生动物贸易中野生动物数量最多的野生动物群体和物种   •根据提供的数据找出野生动物贸易的主要目的   •列出2003年至2022年间的贸易变化   •建立相关分析模型分析野生动物贸易与重大传染病暴发之间的关系。   •分析长期禁止野生动物贸易的经济和社会影响并根据分析结果就是否应实施长期禁止野生动物贸易发表意见。   •针对上述问题写信向美国政府相关部门介绍您的观点和政策建议。 模型的建立与求解整体论文缩略图 全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可 部分程序代码(代码和文档not free) 1 %LSTM Initial Code 2 clc;clear 3 %% Enter data for 1990-2021 4 data [0.287259615 0.213347921 0.186021505 0.205663189 0.335515548 0.395131086 0.413533835 0.346978558 0.338954469 0.340277778 0.271653543 0.25748503 0.31122449 0.309278351 0.352941176 0.414772727 0.405844156 0.35125448 0.42019544 0.37804878 0.337595908 0.330218069 0.3081571 0.438709677 0.420849421 0.404761905 0.418867925 0.303501946 0.55 0.520710059 0.472826087 0.428571429]; 5 %% Load the dataset 6 Train_data data(1:27); %Training set 7 Text_data data(28:32); %Texting set 8 %% Data preprocessing 9 me mean(Train_data); %Mean 10 sd std(Train_data); %Standard Deviation 11 TrainDataStandard (Train_data - me) / sd; 12 XTrain TrainDataStandard(1:end-1); 13 YTrain TrainDataStandard(2:end); 14 %% Build the LSTM neural network 15 FeaturesNum 1; 16 OutputNum 1; 17 HiddenNum 200; %The number of hidden layer units 18 layers [ ... 19 sequenceInputLayer(FeaturesNum) 20 lstmLayer(HiddenNum) 21 fullyConnectedLayer(OutputNum) 22 regressionLayer]; 23 options trainingOptions(adam, ... 24 MaxEpochs,1000, ... 25 GradientThreshold,1, ... 26 InitialLearnRate,0.01, ... 27 LearnRateSchedule,piecewise, ... 28 LearnRateDropPeriod,400, ... 29 LearnRateDropFactor,0.15, ... 30 Verbose,0, ... 31 Plots,training-progress); 32 net trainNetwork(XTrain,YTrain,layers,options); 33 %% Initialize Network 34 net predictAndUpdateState(net,XTrain); 35 [net,predict_y] predictAndUpdateState(net,YTrain(end)); 36 %% Forecast 37 for i 2:6 38 [net,predict_y(:,i)] predictAndUpdateState(net,predict_y(:,i-1),ExecutionEnvironment,cpu); 39 end 40 %% Calculate RMSE 41 predict_y sd * predict_y me; 42 RMSE sqrt(mean((predict_y(1:5)-Text_data).^2)) ; 43 %% Draw a curve 44 subplot(2,1,1) 45 plot(Train_data(1:end)) 46 hold on 47 x 28:(275); 48 plot(x,predict_y(1:5),.-) 49 hold off 50 xlabel(Time) 51 ylabel(Case) 52 title(Forecast) 53 legend([Observed Forecast]) 54 subplot(2,1,2) 55 plot(data) 56 xlabel(Time) 57 ylabel(Case) 58 title(Dataset) 59 %% Comparison between predicted value and actual value 60 figure(2) 61 x 1990:2021; 62 yy [Train_data ,predict_y(1:5)]; 63 plot(x,yy,r) %Including predicted partial curve 64 hold on 65 plot(x,data,b) %Actual curve 66 hold off 67 xlabel(Time) 68 ylabel(Case) 69 legend([Predict Data]) 70 71 %LSTM Improved Code 72 clc;clear 73 %% Enter data for 1990-2021 74 data0 [0.287259615 0.213347921 0.186021505 0.205663189 0.335515548 0.395131086 0.413533835 0.346978558 0.338954469 0.340277778 0.271653543 0.25748503 0.31122449 0.309278351 0.352941176 0.414772727 0.405844156 0.35125448 0.42019544 0.37804878 0.337595908 0.330218069 0.3081571 0.438709677 0.420849421 0.404761905 0.418867925 0.303501946 0.55 0.520710059 0.472826087 0.428571429]; 75 %% Complementary data of cubic spline interpolation 76 year [1990,1991,1992,1993,1994,1995,1996,1997,1998,1999,2000,2001,2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018,2019,2020,2021]; 77 new_x 1990:0.01:2021 78 data spline(year,data0,new_x) 79 %% Load the dataset 80 Train_data data(1:3000); %Training set 81 Text_data data(3001:3101); %Texting set 82 %% Data preprocessing 83 me mean(Train_data); %Mean 84 sd std(Train_data); %Standard Deviation 85 TrainDataStandard (Train_data - me) / sd; 86 XTrain TrainDataStandard(1:end-1); 87 YTrain TrainDataStandard(2:end); 88 %% Build the LSTM neural network 89 FeaturesNum 1; 90 OutputNum 1; 91 HiddenNum 200; %The number of hidden layer units 92 layers [ ... 93 sequenceInputLayer(FeaturesNum) 94 lstmLayer(HiddenNum) 95 fullyConnectedLayer(OutputNum) 96 regressionLayer]; 97 options trainingOptions(adam, ... 98 MaxEpochs,100, ... 99 GradientThreshold,1, ... 100 InitialLearnRate,0.01, ... 101 LearnRateSchedule,piecewise, ... 102 LearnRateDropPeriod,400, ... 103 LearnRateDropFactor,0.15, ... 104 Verbose,0, ... 105 Plots,training-progress); 106 net trainNetwork(XTrain,YTrain,layers,options); 107 %% Initialize Network 108 net predictAndUpdateState(net,XTrain); 109 [net,predict_y] predictAndUpdateState(net,YTrain(end)); 110 %% Forecast 111 for i 2:201 112 [net,predict_y(:,i)] predictAndUpdateState(net,predict_y(:,i-1),ExecutionEnvironment,cpu); 113 end 114 %% Calculate RMSE 115 predict_y sd * predict_y me; 116 RMSE sqrt(mean((predict_y(1:101)-Text_data).^2)) ; 117 %% Draw a curve 118 subplot(2,1,1) 119 plot(Train_data(1:end)) 120 hold on 121 x 3001:(3000101); 122 plot(x,predict_y(1:101),.-) 123 hold off 124 xlabel(Time) 125 ylabel(Case) 126 title(Forecast) 127 legend([Observed Forecast]) 128 subplot(2,1,2) 129 plot(data) 130 xlabel(Time) 131 ylabel(Case) 132 title(Dataset) 133 %% Comparison between predicted value and actual value 134 figure(2) 135 x 1990:0.01:2021; 136 yy [Train_data ,predict_y(1:101)]; 137 plot(x,yy,r) %Including predicted partial curve 138 hold on 139 plot(x,data,b) %Actual curve 140 hold off 141 xlabel(Time) 142 ylabel(Case) 143 legend([Predict Data])1 import pandas as pd 2 import numpy as np 3 import matplotlib.pyplot as plt 4 plt.rcParams[font.family] [sans-serif] 5 plt.rcParams[font.sans-serif] [SimHei] 6 plt.rcParams[axes.unicode_minus]False 7 #data pd.read_excel(trade_mammals_wild_live_1990_2021.xlsx) 8 #data pd.read_excel(cn_sars_98-03.xlsx) 9 #data pd.read_excel(us_covid19_16-21.xlsx) 10 #data pd.read_excel(cd_ebola_95-19.xlsx) 11 #data pd.read_excel(ga_ebola_90-13.xlsx) 12 #data pd.read_excel(ug_ebola_91-11.xlsx) 13 #data pd.read_excel(us_flu_06-21.xlsx) 14 data pd.read_excel(us_covid19_16-21_grey.xlsx) 15 data.head() 16 data.info() 17 dsc data.describe() 18 dsc 19 pd.plotting.scatter_matrix(data, figsize(20,10), alpha0.75) 20 plt.show() 21 cor data.corr() # methodpearson 22 cor 23 sns.heatmap(cor, cmapYlGnBu, xticklabelsTrue, yticklabelsTrue, 24 annotTrue, squareTrue) 25 from scipy import stats 26 np.set_printoptions(suppressTrue) # Scientific notation is not used 27 pd.set_option(display.float_format,lambda x : %.4f % x) # Keep 4 significant digits after the decimal point 28 # T-distribution test 29 tp stats.t.isf(1-0.975, 9) 30 x np.linspace(-5,5,100) 31 y stats.t.pdf(x, 9) 32 plt.plot(x,y) 33 plt.vlines(-tp, 0, stats.t.pdf(-tp, 9), colorsorange) 34 plt.vlines(tp, 0, stats.t.pdf(tp, 9), colorsorange) 35 plt.fill_between(x, 0, y, whereabs(x)tp, interpolateTrue, colorr) 36 # P-value test 37 def my_pvalue_pearson(x): 38 col x.shape[1] 39 col_name x.columns.values 40 p_val [] 41 for i in range(col): 42 for j in range(col): 43 p_val.append(stats.pearsonr(x[col_name[i]], x[col_name[j]])[1]) 44 p_val pd.DataFrame(np.array(p_val).reshape(col, col), columnscol_name, indexcol_name) 45 return p_val 46 my_pvalue_pearson(data) 47 48 # Analytic Hierarchy Process 49 import numpy as np 50 def ConsisTest(X): 51 # Arithmetic averaging 52 X np.array(X) 53 sum_X X.sum(axis0) 54 (n,n) X.shape 55 sum_X np.tile(sum_X,(n,1)) 56 stand_X X/sum_X # Standardized X 57 ## Normalization 58 sum_row stand_X.sum(axis1) 59 print(The result of the arithmetic averaging method to find the weights is) 60 print(sum_row/n) 61 62 # Eigenvalue method 63 V,E np.linalg.eig(X) 64 max_value np.max(V) # Maximum eigenvalue 65 #print(Maximum eigenvalue,max_value) 66 max_v_index np.argmax(V) 67 max_eiv E[:,max_v_index] 68 stand_eiv max_eiv/max_eiv.sum() 69 print(The result of the weighting of the eigenvalue method is) 70 print(stand_eiv) 71 print(———————————————————————————————) 72 # Consistency check 73 ## Calculate the consistency metric CI 74 CI (max_value-n)/(n-1) 75 ## Find the corresponding mean random consistency metric RI 76 RI np.array([15,0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59]) 77 ## Calculate the consistency scale CR 78 CR CI/RI[n] 79 if CR 0.1: 80 print(CR,CR,Less than 0.1, pass the consistency test ) 81 else: 82 print(CR,CR,greater than or equal to 0.1, the consistency test is not passed, please modify the judgment matrix ) 83 return None 84 # ConsisTest(b) 85 b np.array([[1, 7,3,5],[1/7, 1,1/5,1/3] ,[1/3, 5,1,3],[1/5,3,1/3, 1]]) 86 ConsisTest(b) 87 88 89 # Grey Relational Analysis 90 import pandas as pd 91 import numpy as np 92 #xlsx_file ug_ebola_91-11_grey_preprocess.xlsx 93 #xlsx_file cn_sars_98-03_grey.xlsx 94 #xlsx_file us_covid19_16-21_grey.xlsx 95 xlsx_file cd_ebola_95-19_grey.xlsx 96 xlsx_data pd.read_excel(xlsx_file) # Prevent warnings from popping upx pd.DataFrame(xlsx_data) 97 xx.iloc[:,1:].T 98 # 1、Data averaging processing 99 x_meanx.mean(axis1) 100 for i in range(x.index.size): 101 x.iloc[i,:] x.iloc[i,:]/x_mean[i] 102 # 2、Extract reference and compare queues 103 ckx.iloc[0,:] 104 cpx.iloc[1:,:] 105 # The comparison queue is subtracted from the reference queue 106 tpd.DataFrame() 107 for j in range(cp.index.size): 108 temppd.Series(cp.iloc[j,:]-ck) 109 tt.append(temp,ignore_indexTrue) 110 111 # Find the maximum difference and minimum difference 112 mmaxt.abs().max().max() 113 mmint.abs().min().min() 114 rho0.5 115 116 #3、Find the correlation coefficient 117 ksi((mminrho*mmax)/(abs(t)rho*mmax)) 118 119 #4、Find the degree of correlation 120 rksi.sum(axis1)/ksi.columns.size 121 122 #5、Relevance sorting 123 resultr.sort_values(ascendingFalse) 124 print(result)全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可