高教论坛
基于数学建模的数据处理
郭丽华 刘晓菊
（山东现代职业学院，山东 济南 250104）
摘要：大数据是当下热门的话题。本文从数学建模的角度，介绍了数学建模在数据处理方面的发展，数据分析的内容，以及如何获取有用信息等，并对数学方法解决数据处理问题作出展望。
关键词：数据处理；数学建模；大数据
中图分类号：G718.5 文献标识码：A 文章编号：1671-6035（2015）04-0054-02
随着计算机科学技术的不断发展，人类社会已进入大数据时代。所谓大数据，是指数据量特别大，无法通过目前主流的计算软件工具，在合理时间内处理、并整理统计为帮助企业经营决策的信息。除了数据类型繁多之外，数据的真实性高、但价值密度低成为大数据的主要特点。如今如何使用大数据，哪些技术能更好地处理大数据是企业关注的问题。
数学在处理数据方面的作用是巨大的，其所创造的价值更是
无法估量。华尔街早就开始招聘精通数据分析的理论数学家来为其设计金融产品。IBM 现在是全球数学博士的最大雇主，数学家正在将其数据分析的才能应用于石油勘探、医疗健康等各个领域。数学也开始走出象牙塔，与各个专业领域进行深度融合。
随着数据量越来越大，也使传统的数学建模受到严重挑战。数学在处理数据方面经历了下面几个过程，上个世纪 80年代，数学热促使了数学建模的发展，但经典的数学模型对带有观测误差
（转下页）
（接上页）
职业素质拓展成长手册是贯穿高职院校学生三年职业素质教育的一根主线，也是呈现了职业素质教育的成果。手册记录内容既包含学生平时参加的志愿服务、社会实践、勤工俭学、职业技能培训等活动，也包含辅导员、任课教师的评语和综合测评的等级，最终形成毕业时的一张职业素质拓展等级证书。学生职业素质拓展成长手册一方面能培养学生的公民意识、奉献意识、道德意识和服务能力，督促学生不断提升自己的综合素质，为学生的成长成才、职业规划以及就业指导方面提供指导和服务。另一方面则是成为学生的一面镜子，让学生时刻警示自己，及时发现问题并进行修正，以弥补自身成长中的不足。
2.采用定量与定性的评价方式。
在高职学生职业素质教育评价机制中，定量评价是对学生参与各类活动的次数及时间长度、获得各级别竞赛的奖项及名次、参加技能培训的课时及鉴定等级等形成量的评价，而定性评价则是对学生课程成绩、平时做志愿服务等活动的心得感悟、学生间及教师的评语、实践单位的表现和评价等级等形成质的评价。通常情况下，我们对学生采取定性评价的方式，很容易导致以课程成绩、评价定论学生职业素质的高低。采用定量与定性相结合的评价机制，不仅避免了主客观不一致有失偏颇的倾向，还能够不断激励学生参加各类有意义的活动和培训，从而充实而美好地度过大学时光，也提升了自身的综合职业素质。
3.构建“学生、学校、企业、家长”四位一体评价主体体系。
这种评价主体机制有利于学生、学校、企业、家长对学生的成长共同承担责任。学生评价包括自我评价和和学生互评，这样不仅让学生能意识到自身某些方面不足，及时弥补其成长短板，而且能让学生领悟到形成与提高职业素质最终要依赖自己的不懈努力！教师的评价包括辅导员评价和任课教师评价，教师的评价对学生职业素质的形成和提高起着导向作用，恰当的评语对学生来说是一把激励并鞭策的双刃剑。由于用人单位对学生的总体情况了解不多，其评价通常是对学生实训实习的肯定，很少有犀利的批评言辞。家长对学生的了解最为全面，但包含浓厚的亲情成分，因此企业和家长评价对学生的影响较小。笔者所在学校开通了网络“学生成长记录”系统，以便家长随时登陆系统了解自己的孩子在校期间的学习、生活及其他表现情况，也便于家长对孩
参考文献：
[1]陆季春，浅谈高职学生职业素质培养的内容构建和途径【J】，宁波大红鹰职业技术学院学报，2006，（12）.
[2]宋莉，基于能力本位的高职院校学生职业素质教育评价机制【J】，职业与教育，2014，（15）.
[3]王仁清，职业技术教育应注重学生职业能力的培养【J】，职业与教育，2004，（2）.
[4]刘群英，高职院校职业素质教育长效机制理论与实践探讨【J】，职业技术，2013，（9）.
[5]梁美英，五位一体的高职学生素质教育评价体系构建【J】，职业与教育，2014，（12）.
子做出客观的评价。学生、学校、企业、家长四位一体评价全面发挥作用，则对提升学生职业素质有很大的促进作用。例如，重庆城市管理职业学院旅游学院与重庆中环盛世会展有限公司、重庆利嘉有限公司、重庆索菲特酒店等26家企业建立校企合作，企业是学校学生人才培养基地，学校为企业培养储蓄优秀人才，企业为学校构建岗位职业化师生队伍。在企业实际情景岗位中，学生能深刻感受到企业文化职业岗位能力要求，并将职业素质的学习转化为自觉行动。实训结束后，学生在实训实习的企业老师会对学生的道德修养、动手操作能力等做一个综合的评价，并记录在学生素质拓展成长手册上，而学生本人、校内实训指导老师、家长都会对学生实习实训环节做出客观的评价。
职业教育是培养为社会、为企业直接创造价值的专门教育，我们要引导具有不同特点的学生形成富于个人特点的职业素质，根据职业学习过程建立学生职业素质拓展成长手册、构建“学生、学校、企业、家长”四位一体评价主体体系、职业岗位情景教学、采用定量与定性的评价方式评价体系，形成了较为公正、客观、全面、动态的评价结果，有利于培养学生综合职业素质，为高职学生职业发展夯实基础。
基金项目：2013年度重庆市教育科学“十二五”规划职业教育研究专项课题“基于能力本位的高职院校职业素质教育体系构建研究”的阶段性成果(课题编号:2013-ZJ-024)；2013年度重庆市教育科学“十二五”规划职业教育研究专项课题“高职院校校企合作长效运行机制研究”的阶段性成果(课题编号: 2013-ZJ-100)；2014年度重庆市教育科学“十二五”规划职业教育研究专项课题“基于校企合作双向介入的高职定岗实习法律风险防控机制研究”的阶段性成果。(课题编号: 2014-GX-059)。
高教论坛
的数据处理能力有限；90年代出现了信息热，然而当时的信息处理技术在很多方面难以达到使用的标准；从90年代中期，统计学成为大众消费数据的热点，使得统计学家从学术理论走到了现实世界，从而出现了统计建模。然而随着大数据体量不断增加、类型复杂，统计建模方法已不能完全胜任。近几年，数据采集、数据处理、数据建模、数据应用等方法现已成为新热点。使数据处理方法变得多样而实用。
大数据分析通过分析获取有价值的信息，最终确定信息是否为决定性因素。主要研究的理论有：第一，可视化分析。为了能够直观呈现数据的特点和规律，通常用可视化方法呈现大数据特点，便于人们认识和接受。第二，数据挖掘，它是大数据分析理论的核心。通过快速高效的算法，将不同属性的数据规律呈现出来，并深入数据内部挖掘出数据的内在规律。第三，数据得正确性和可靠性研究。在实际应用中，高质量的数据有利于保证分析结果的可靠性。第四，预测性分析。即预测事物未来发展的规律。建立科学合理的数学模型，对预测结果的正确性尤为重要。
大数据研究不同于传统的逻辑推理研究，而是对数量巨大的数据做统计性的搜索比较、聚类分析、模式识别、主成分分析、判别分析、对应分析、最优尺度分析等统计分析归纳，因此继承了统计科学的一些特点。以此来判断数据之间的相互关系，以及关联程度，即数据的相关性，并进一步发现多个变量的取值之间存在的某种规律性，找出数据集里隐藏的相互关系，一般用支持度、可信度等参数反映相关性。
数据分析过程中掌握高效快速的处理方法是解决问题的关键。在大数据时代，由于数据量的快速膨胀、数据来源复杂、价值潜伏、处理速度快等特点，一些基于精确分析的科研方法越来越赶不上时代的步伐，非精确的计算方法急需出现，研究试图找到一种模糊解决问题的手段。近来关于大数据的建模分析方法主要包括数据采集，数据存取，基础架构，分布式文件存储和云存储等。
聚类分析是数学统计建模的一种常用的方法。是对于同类事物按照某些指标数据的特性（如相似程度、亲疏关系等）来进行分类。一般事物的特性带有模糊性，为此可确定相应的模糊矩阵，通常需要设置一个置信水平λ，由不同λ值可以得到不同的分类结果。也就是说，分类结果与置信水平之间有很强的关系，置信水平为多少需要根据实际问题进行经验和论证，这一点是至关重要的，一定程度上决定了模型的好坏。那么不难看出聚类分析的分类标准是未知的。模式识别也是统计建模的方法。已知将整体事物分为若干类型的标准模式，而对于一个或多个确定的对象按照一定的原则识别它们属于哪一类。包括：最大隶属度原则、贴近度原则、单特性择近原则、多特性择近原则等。显然模式识别是在分类标准已知的前提下计算的。
分析过程还需要做标准化处理。在实际中各类数据之间，往往存在着不可公度性，难以做统一的数据分析和比较，比如质量和长度本来就是两类相互独立的度量单位，如果不加处理的进行比较必然没有意义，还会出现“大数吃小数”的错误，导致分析结果的不合理。所以经常用标准差法、极值差法和功效系数法、定性数据的量化方法等来标准化数据。数据处理与数据建模方法涉及的方面包括数据类型一致化方法、数据的规范化方法、标准差方法、极值差方法、功效系数方法。将数据做可比性的处理。
分析的结果需要进行进一步的检验和论证，统计检验在数据处理中是必要的。常用的统计检验方法包括假设检验、T检验、χ2检验、F检验和显著性检验等。通过统计检验来论证分析方法是否可行，分析结果是否符合实际。
目前有一种说法是统计方法不必致力于寻找逻辑上真正的因果关系，只要寻找事物之间的相关关系即可，因为对企业而言，
参考文献：
[1]毕长剑，大数据时代建模与仿真面临的挑战计算机仿真[J]；2014年第31卷第1期.
[2]张云霞，数学建模与高等数学教学[J]；2001年第8期.
[3]候政；高职数学如何更好的与专业结合[J];中国科教创新导刊；2009年第08期.
只要能从数据挖掘的信息中发现某种措施与增加企业利润有较强的相关性，采取这种措施就是了，只要符合最大利润原则，不必深究为什么能增加利润，更不必发现其背后的内在规律和模型。其实长远而言，这种做法是不可取的，不发现数据背后内在的规律和模型，就没有一个长远的目标，就会只注重眼前利益，这是非常危险的信号。因为有些事物的本质不能通过短期的数据处理来发现，就像透过现象看本质是一个道理。虽说从数据直接到价值是一条捷径，但捷径背后的意义一样需要深入考虑。模型是现实问题的抽象，是使用数学语言来描述问题及量化问题。机理是模型的骨骼，数据是模型的血液，在大数据概念下，很多机构和公司会加大搜集力度，增加数据种类和质量，那么模型必然向复杂性更高的方向演化，复杂性更高的模型，能够更加清晰的剖析问题。
数学建模不是新东西[2],就其实质而言,可以说凡是有数学应用就有数学建模,但是它的发展依赖于方法和技巧的不断提升。在计算机信息技术迅速发展的今天,数学建模也得到了蓬勃的发展,使得数学不仅仅是一门工具性学科,还是一门技术。当代科技的一个突出特点是数据量化,人们在许多现代化的设计和控制中都需要有具体的数字指标，这就形成了无处不在的大数据。目前要把数学建模渗透到科技发展的每个角落，如何处理大数据就变成了一个发展的，开放性的问题。既然大数据涉及到现代化生活的方方面面，那么也就需要数学与各个专业方法的相互融合[3]，研究大数据的内在机理。要做好建模这件事情，我们需要了解更多的专业知识，学习更多的专业技能，更要了解大数据背后的网络分析。网络的参数和性质也许能刻画大数据背后的网络共性，这是我们在数学建模过程中需要深入探讨的问题。在日新月异的当今时代，要做好大数据的统计处理，要有合理的数学模型作为支撑，方法是科技长足发展的内在动力。
大数据时代的到来不但给数学建模带来挑战，更为我们提供了机遇，新的时代环境为仿真技术的发展打开了大门，只要打破常规，放开思路，用于创新，数学建模的革命必将到来。近年来数学建模竞赛的规模越来越大，水平越来越高，赛题呈现出综合性、实用性和创新性等特点。更重要的是贴近实际的海量数据的融入，加深了题目的复杂性，求解结果也变得不确定。这时候要求数学建模方法要更富有创新性、灵活性和开放性。模型更贴近实际、打破原有的方法、能解决实际问题。这样才能使比赛变得更有意义。实际教学过程中加深数学建模对大数据的处理，能提高学生的数学能力，处理现实问题的能力，还能对专业数据做相应处理，更重要的是能够体现数学的魅力，数学的价值！
055
高教论坛
基于数学建模的数据处理
郭丽华 刘晓菊
（山东现代职业学院，山东 济南 250104）
摘要：大数据是当下热门的话题。本文从数学建模的角度，介绍了数学建模在数据处理方面的发展，数据分析的内容，以及如何获取有用信息等，并对数学方法解决数据处理问题作出展望。
关键词：数据处理；数学建模；大数据
中图分类号：G718.5 文献标识码：A 文章编号：1671-6035（2015）04-0054-02
随着计算机科学技术的不断发展，人类社会已进入大数据时代。所谓大数据，是指数据量特别大，无法通过目前主流的计算软件工具，在合理时间内处理、并整理统计为帮助企业经营决策的信息。除了数据类型繁多之外，数据的真实性高、但价值密度低成为大数据的主要特点。如今如何使用大数据，哪些技术能更好地处理大数据是企业关注的问题。
数学在处理数据方面的作用是巨大的，其所创造的价值更是
无法估量。华尔街早就开始招聘精通数据分析的理论数学家来为其设计金融产品。IBM 现在是全球数学博士的最大雇主，数学家正在将其数据分析的才能应用于石油勘探、医疗健康等各个领域。数学也开始走出象牙塔，与各个专业领域进行深度融合。
随着数据量越来越大，也使传统的数学建模受到严重挑战。数学在处理数据方面经历了下面几个过程，上个世纪 80年代，数学热促使了数学建模的发展，但经典的数学模型对带有观测误差
（转下页）
（接上页）
职业素质拓展成长手册是贯穿高职院校学生三年职业素质教育的一根主线，也是呈现了职业素质教育的成果。手册记录内容既包含学生平时参加的志愿服务、社会实践、勤工俭学、职业技能培训等活动，也包含辅导员、任课教师的评语和综合测评的等级，最终形成毕业时的一张职业素质拓展等级证书。学生职业素质拓展成长手册一方面能培养学生的公民意识、奉献意识、道德意识和服务能力，督促学生不断提升自己的综合素质，为学生的成长成才、职业规划以及就业指导方面提供指导和服务。另一方面则是成为学生的一面镜子，让学生时刻警示自己，及时发现问题并进行修正，以弥补自身成长中的不足。
2.采用定量与定性的评价方式。
在高职学生职业素质教育评价机制中，定量评价是对学生参与各类活动的次数及时间长度、获得各级别竞赛的奖项及名次、参加技能培训的课时及鉴定等级等形成量的评价，而定性评价则是对学生课程成绩、平时做志愿服务等活动的心得感悟、学生间及教师的评语、实践单位的表现和评价等级等形成质的评价。通常情况下，我们对学生采取定性评价的方式，很容易导致以课程成绩、评价定论学生职业素质的高低。采用定量与定性相结合的评价机制，不仅避免了主客观不一致有失偏颇的倾向，还能够不断激励学生参加各类有意义的活动和培训，从而充实而美好地度过大学时光，也提升了自身的综合职业素质。
3.构建“学生、学校、企业、家长”四位一体评价主体体系。
这种评价主体机制有利于学生、学校、企业、家长对学生的成长共同承担责任。学生评价包括自我评价和和学生互评，这样不仅让学生能意识到自身某些方面不足，及时弥补其成长短板，而且能让学生领悟到形成与提高职业素质最终要依赖自己的不懈努力！教师的评价包括辅导员评价和任课教师评价，教师的评价对学生职业素质的形成和提高起着导向作用，恰当的评语对学生来说是一把激励并鞭策的双刃剑。由于用人单位对学生的总体情况了解不多，其评价通常是对学生实训实习的肯定，很少有犀利的批评言辞。家长对学生的了解最为全面，但包含浓厚的亲情成分，因此企业和家长评价对学生的影响较小。笔者所在学校开通了网络“学生成长记录”系统，以便家长随时登陆系统了解自己的孩子在校期间的学习、生活及其他表现情况，也便于家长对孩
参考文献：
[1]陆季春，浅谈高职学生职业素质培养的内容构建和途径【J】，宁波大红鹰职业技术学院学报，2006，（12）.
[2]宋莉，基于能力本位的高职院校学生职业素质教育评价机制【J】，职业与教育，2014，（15）.
[3]王仁清，职业技术教育应注重学生职业能力的培养【J】，职业与教育，2004，（2）.
[4]刘群英，高职院校职业素质教育长效机制理论与实践探讨【J】，职业技术，2013，（9）.
[5]梁美英，五位一体的高职学生素质教育评价体系构建【J】，职业与教育，2014，（12）.
子做出客观的评价。学生、学校、企业、家长四位一体评价全面发挥作用，则对提升学生职业素质有很大的促进作用。例如，重庆城市管理职业学院旅游学院与重庆中环盛世会展有限公司、重庆利嘉有限公司、重庆索菲特酒店等26家企业建立校企合作，企业是学校学生人才培养基地，学校为企业培养储蓄优秀人才，企业为学校构建岗位职业化师生队伍。在企业实际情景岗位中，学生能深刻感受到企业文化职业岗位能力要求，并将职业素质的学习转化为自觉行动。实训结束后，学生在实训实习的企业老师会对学生的道德修养、动手操作能力等做一个综合的评价，并记录在学生素质拓展成长手册上，而学生本人、校内实训指导老师、家长都会对学生实习实训环节做出客观的评价。
职业教育是培养为社会、为企业直接创造价值的专门教育，我们要引导具有不同特点的学生形成富于个人特点的职业素质，根据职业学习过程建立学生职业素质拓展成长手册、构建“学生、学校、企业、家长”四位一体评价主体体系、职业岗位情景教学、采用定量与定性的评价方式评价体系，形成了较为公正、客观、全面、动态的评价结果，有利于培养学生综合职业素质，为高职学生职业发展夯实基础。
基金项目：2013年度重庆市教育科学“十二五”规划职业教育研究专项课题“基于能力本位的高职院校职业素质教育体系构建研究”的阶段性成果(课题编号:2013-ZJ-024)；2013年度重庆市教育科学“十二五”规划职业教育研究专项课题“高职院校校企合作长效运行机制研究”的阶段性成果(课题编号: 2013-ZJ-100)；2014年度重庆市教育科学“十二五”规划职业教育研究专项课题“基于校企合作双向介入的高职定岗实习法律风险防控机制研究”的阶段性成果。(课题编号: 2014-GX-059)。
高教论坛
的数据处理能力有限；90年代出现了信息热，然而当时的信息处理技术在很多方面难以达到使用的标准；从90年代中期，统计学成为大众消费数据的热点，使得统计学家从学术理论走到了现实世界，从而出现了统计建模。然而随着大数据体量不断增加、类型复杂，统计建模方法已不能完全胜任。近几年，数据采集、数据处理、数据建模、数据应用等方法现已成为新热点。使数据处理方法变得多样而实用。
大数据分析通过分析获取有价值的信息，最终确定信息是否为决定性因素。主要研究的理论有：第一，可视化分析。为了能够直观呈现数据的特点和规律，通常用可视化方法呈现大数据特点，便于人们认识和接受。第二，数据挖掘，它是大数据分析理论的核心。通过快速高效的算法，将不同属性的数据规律呈现出来，并深入数据内部挖掘出数据的内在规律。第三，数据得正确性和可靠性研究。在实际应用中，高质量的数据有利于保证分析结果的可靠性。第四，预测性分析。即预测事物未来发展的规律。建立科学合理的数学模型，对预测结果的正确性尤为重要。
大数据研究不同于传统的逻辑推理研究，而是对数量巨大的数据做统计性的搜索比较、聚类分析、模式识别、主成分分析、判别分析、对应分析、最优尺度分析等统计分析归纳，因此继承了统计科学的一些特点。以此来判断数据之间的相互关系，以及关联程度，即数据的相关性，并进一步发现多个变量的取值之间存在的某种规律性，找出数据集里隐藏的相互关系，一般用支持度、可信度等参数反映相关性。
数据分析过程中掌握高效快速的处理方法是解决问题的关键。在大数据时代，由于数据量的快速膨胀、数据来源复杂、价值潜伏、处理速度快等特点，一些基于精确分析的科研方法越来越赶不上时代的步伐，非精确的计算方法急需出现，研究试图找到一种模糊解决问题的手段。近来关于大数据的建模分析方法主要包括数据采集，数据存取，基础架构，分布式文件存储和云存储等。
聚类分析是数学统计建模的一种常用的方法。是对于同类事物按照某些指标数据的特性（如相似程度、亲疏关系等）来进行分类。一般事物的特性带有模糊性，为此可确定相应的模糊矩阵，通常需要设置一个置信水平λ，由不同λ值可以得到不同的分类结果。也就是说，分类结果与置信水平之间有很强的关系，置信水平为多少需要根据实际问题进行经验和论证，这一点是至关重要的，一定程度上决定了模型的好坏。那么不难看出聚类分析的分类标准是未知的。模式识别也是统计建模的方法。已知将整体事物分为若干类型的标准模式，而对于一个或多个确定的对象按照一定的原则识别它们属于哪一类。包括：最大隶属度原则、贴近度原则、单特性择近原则、多特性择近原则等。显然模式识别是在分类标准已知的前提下计算的。
分析过程还需要做标准化处理。在实际中各类数据之间，往往存在着不可公度性，难以做统一的数据分析和比较，比如质量和长度本来就是两类相互独立的度量单位，如果不加处理的进行比较必然没有意义，还会出现“大数吃小数”的错误，导致分析结果的不合理。所以经常用标准差法、极值差法和功效系数法、定性数据的量化方法等来标准化数据。数据处理与数据建模方法涉及的方面包括数据类型一致化方法、数据的规范化方法、标准差方法、极值差方法、功效系数方法。将数据做可比性的处理。
分析的结果需要进行进一步的检验和论证，统计检验在数据处理中是必要的。常用的统计检验方法包括假设检验、T检验、χ2检验、F检验和显著性检验等。通过统计检验来论证分析方法是否可行，分析结果是否符合实际。
目前有一种说法是统计方法不必致力于寻找逻辑上真正的因果关系，只要寻找事物之间的相关关系即可，因为对企业而言，
参考文献：
[1]毕长剑，大数据时代建模与仿真面临的挑战计算机仿真[J]；2014年第31卷第1期.
[2]张云霞，数学建模与高等数学教学[J]；2001年第8期.
[3]候政；高职数学如何更好的与专业结合[J];中国科教创新导刊；2009年第08期.
只要能从数据挖掘的信息中发现某种措施与增加企业利润有较强的相关性，采取这种措施就是了，只要符合最大利润原则，不必深究为什么能增加利润，更不必发现其背后的内在规律和模型。其实长远而言，这种做法是不可取的，不发现数据背后内在的规律和模型，就没有一个长远的目标，就会只注重眼前利益，这是非常危险的信号。因为有些事物的本质不能通过短期的数据处理来发现，就像透过现象看本质是一个道理。虽说从数据直接到价值是一条捷径，但捷径背后的意义一样需要深入考虑。模型是现实问题的抽象，是使用数学语言来描述问题及量化问题。机理是模型的骨骼，数据是模型的血液，在大数据概念下，很多机构和公司会加大搜集力度，增加数据种类和质量，那么模型必然向复杂性更高的方向演化，复杂性更高的模型，能够更加清晰的剖析问题。
数学建模不是新东西[2],就其实质而言,可以说凡是有数学应用就有数学建模,但是它的发展依赖于方法和技巧的不断提升。在计算机信息技术迅速发展的今天,数学建模也得到了蓬勃的发展,使得数学不仅仅是一门工具性学科,还是一门技术。当代科技的一个突出特点是数据量化,人们在许多现代化的设计和控制中都需要有具体的数字指标，这就形成了无处不在的大数据。目前要把数学建模渗透到科技发展的每个角落，如何处理大数据就变成了一个发展的，开放性的问题。既然大数据涉及到现代化生活的方方面面，那么也就需要数学与各个专业方法的相互融合[3]，研究大数据的内在机理。要做好建模这件事情，我们需要了解更多的专业知识，学习更多的专业技能，更要了解大数据背后的网络分析。网络的参数和性质也许能刻画大数据背后的网络共性，这是我们在数学建模过程中需要深入探讨的问题。在日新月异的当今时代，要做好大数据的统计处理，要有合理的数学模型作为支撑，方法是科技长足发展的内在动力。
大数据时代的到来不但给数学建模带来挑战，更为我们提供了机遇，新的时代环境为仿真技术的发展打开了大门，只要打破常规，放开思路，用于创新，数学建模的革命必将到来。近年来数学建模竞赛的规模越来越大，水平越来越高，赛题呈现出综合性、实用性和创新性等特点。更重要的是贴近实际的海量数据的融入，加深了题目的复杂性，求解结果也变得不确定。这时候要求数学建模方法要更富有创新性、灵活性和开放性。模型更贴近实际、打破原有的方法、能解决实际问题。这样才能使比赛变得更有意义。实际教学过程中加深数学建模对大数据的处理，能提高学生的数学能力，处理现实问题的能力，还能对专业数据做相应处理，更重要的是能够体现数学的魅力，数学的价值！
055