Datawhale AI 夏令营学习笔记task01

关于此次学习：

一、赛题背景
随着全球经济的快速发展和城市化进程的加速，电力系统面临着越来越大的挑战。电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。
然而，电力需求受到多种因素的影响，为了提高电力需求预测的准确性和可靠性，推动智能电网和可持续能源系统的发展，本场以“电力需求预测”为赛题的数据算法挑战赛。选手需要根据历史数据构建有效的模型，能够准确的预测未来电力需求。
二、赛题任务
给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。

先了解一下常见的时间序列场景有：
1. 金融领域：股票价格预测、利率变动、汇率预测等。
2. 气象领域：温度、降水量、风速等气候指标的预测。
3. 销售预测：产品或服务的未来销售额预测。
4. 库存管理：预测库存需求，优化库存水平。
5. 能源领域：电力需求预测、石油价格预测等。
6. 医疗领域：疾病爆发趋势预测、医疗资源需求预测。

时间序列问题的数据往往有如下特点：
1. 时间依赖性：数据点之间存在时间上的连续性和依赖性。
2. 非平稳性：数据的统计特性（如均值、方差）随时间变化。
3. 季节性：数据表现出周期性的模式，如年度、月度或周度。
4. 趋势：数据随时间推移呈现长期上升或下降的趋势。
5. 周期性：数据可能存在非固定周期的波动。
6. 随机波动：数据可能受到随机事件的影响，表现出不确定性。

时间序列预测问题可以通过多种建模方法来解决，包括传统的时间序列模型、机器学习模型和深度学习模型。
以下是这三种方法的建模思路、优缺点对比：

对比总结

• 适用性：传统模型适合数据量较小、模式简单的问题；机器学习模型适合中等复杂度的问题，可以引入额外变量；深度学习模型适合数据量大、模式复杂的任务。

• 解释性：传统时间序列模型通常具有较好的解释性；机器学习模型的解释性取决于特征工程；深度学习模型的解释性通常较差。

• 计算资源：传统模型计算效率最高；机器学习模型次之；深度学习模型通常需要最多的计算资源。

• 预测能力：深度学习模型在捕捉复杂模式方面具有优势，但需要大量数据支持；传统和机器学习模型在数据量较小或模式较简单时可能更有效。

注意：在实际应用中，选择哪种模型取决于具体问题的需求、数据的特性以及可用的计算资源。有时，结合多种方法的混合模型可以提供更好的预测性能。

其中的baseline使用python代码构建了一个经验模型（使用均值作为结果数据）

主要通过了如下几个步骤对数据进行处理——

1.导入库：首先，代码导入了需要用到的库，包括 pandas（用于数据处理和分析）。

2.读取数据：代码通过使用 pd.read_csv 函数从文件中读取训练集和测试集数据，并将其存储在 train.csv 和 test.csv 两个数据框中。

3.计算最近时间的用电均值：

- 计算训练数据最近11-20单位时间内对应id的目标均值，可以用来反映最近的用电情况

4.将用电均值直接作为预测结果：

- 这里使用merge函数根据'id'列将test和target_mean两个DataFrame进行左连接，这意味着测试集的所有行都会保留。

5.保存结果文件到本地：

- 使用to_csv()函数将测试集的'id'、'dt'和'target'列保存为CSV文件，文件名为'submit.csv'。index=None参数表示在保存时不包含行索引。

具体代码如下：

# 1. 导入需要用到的相关库
# 导入 pandas 库，用于数据处理和分析
import pandas as pd
# 导入 numpy 库，用于科学计算和多维数组操作
import numpy as np

# 2. 读取训练集和测试集
# 使用 read_csv() 函数从文件中读取训练集数据，文件名为 'train.csv'
train = pd.read_csv('train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据，文件名为 'test.csv'
test = pd.read_csv('test.csv')

# 3. 计算训练数据最近11-20单位时间内对应id的目标均值
target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()

# 4. 将target_mean作为测试集结果进行合并
test = test.merge(target_mean, on=['id'], how='left')

# 5. 保存结果文件到本地
test[['id','dt','target']].to_csv('submit.csv', index=None)