用指数函数、牛顿冷却定律和 Logistic 模型，对 60 分钟真实测温数据进行拟合与预测——哪个模型更准确？
在 24.2°C 室温下，用陶瓷杯冲泡红茶，每分钟记录一次水温。以前 6 组数据建立模型，其余用于检验。
↑ 拖动下方时间轴，感受茶水降温的过程
选择一种模型，调整参数，让曲线尽可能穿过散点。决定系数 R² 越接近 1，拟合越好。
每组同学选择了不同的建模路径，最终得到各有优劣的答案。这才是真实的数学建模过程。
| 小组 | 模型类型 | 解析式 | R² | 60°C | 30°C | 核心特点 |
|---|---|---|---|---|---|---|
| A 组 | 指数衰减 | y = 60 × 0.942ˣ + 24.2 | 0.9901 | ~9 min | ~39 min | 高温贴合好，低温误差大 |
| B 组 | 牛顿冷却 | θ = 24.2 + 60e⁻⁰·⁰⁵⁹⁶ᵗ | 0.9901 | ~9 min | ~43 min* | 有物理理论支撑，适用范围受温差限制 |
| C 组 | Logistic | y = 24.2/(1−0.7126×0.981ˣ) | 0.9974 | ~9 min | ~68 min | 全程拟合最优，暂无物理解释 |
"所有的模型都是错误的，但有些是有用的。"
没有"完美"的模型，只有在特定条件下"合适"的模型。A组和B组的模型有物理理论支撑，但在低温段预测能力不足；C组的Logistic模型拟合效果最好，但目前缺乏物理解释。描述与预测功能和解释功能，是评价模型的两个不同维度。
点击展开，了解三种模型的推导逻辑，以及决定系数 R² 的含义。
茶水温度下降越来越慢，且最终趋向室温（渐近线为 y = 24.2），因此将指数函数 y = aˣ（0 < a < 1）通过图象变换，得到：
其中 b = 室温 = 24.2，初始温度代入得 k = 84.2 − 24.2 = 60。
参数求解方法（取平均值降低误差）：计算相邻时刻 (y − 24.2) 的比值，取平均得 a ≈ 0.942。最终模型：
局限性：该模型在高温段拟合较好（R² = 0.99），但低温段预测误差明显偏大，原因在于指数衰减速率始终高于实际冷却速率。
牛顿冷却定律：物体与环境的温差越大，冷却速率越快，冷却速率与温差成正比。用微分方程表达：
解此微分方程（分离变量），得到：
代入 θ₀ = 24.2，θ₁ = 84.2，用线性化方法（对 θ − 24.2 取对数，转化为线性回归）得 k ≈ 0.0596，最终：
适用条件：牛顿冷却定律要求温差不能过大（对流换热在小温差下更准确）。实验表明，温差 ≤ 25°C 时用该定律建模，预测精度显著提升。
受生物学中种群 S 型增长（Logistic 模型）启发，C 组提出假设：温度下降率 r 随温度降低而减小（类比种群增长率随种群数量增大而减小），且设温度下限为室温 K。
类比 Logistic 增长模型的微分方程推导，得茶水温度 Logistic 模型：
代入 K = 24.2，y₀ = 84.2，K/y₀ − 1 = −0.7126。同样用取平均值法求 a ≈ 0.9811，最终：
R² = 0.9974，全程拟合效果最优，60 min 后预测误差极小。但目前缺乏物理机理解释，属于经验公式范畴。
R² 衡量的是：模型能解释数据变异的比例。公式为：
其中 SS_res = Σ(y_i − ŷ_i)²（预测误差平方和），SS_tot = Σ(y_i − ȳ)²（总变异平方和）。
R² ∈ [0, 1]：R² = 1 表示完美拟合；R² = 0 表示模型与直接用均值预测一样差。一般认为 R² > 0.99 拟合效果优秀。
注意：R² 高不等于模型"正确"——它只反映样本数据的拟合程度，不保证在样本范围之外的预测能力（外推能力）。
B 组的启示：用高温段数据建立的模型，在低温段预测失准。建模时要合理确定数据收集范围，不可盲目外推。
C 组的两难：Logistic 模型精度最高，但缺乏物理解释。模型的"描述功能"和"解释功能"是两个独立维度，不可混为一谈。
AI 时代数学建模的新范式：不从已有规律出发，而是分析目标函数应满足的条件，然后"构造"符合条件的数学对象。
GeoGebra 等软件不是替代思考的工具，而是帮助我们"看见"数据与模型关系的放大镜，让直觉得到验证或纠正。