Datawhale AI 夏令营第三期 从零入门AI for Science（AI+经济）

赛事概要

1. 赛题背景
   市场博弈具有复杂性和不确定性，市场参与者因信息不对称和有限理性，难以做出完全理性的决策，导致市场交易和出清充满不确定性。不同参与者在不同环境下的反应各异，进一步增加了预测市场行为和制定有效市场政策的难度。
2. 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.
   赛题详情

baseline

!pip install numpy pandas scikit-learn matplotlib seaborn
import numpy as np
import pandas as pd
from pathlib import Path
from sklearn.linear_model import LinearRegression

# 处理数据
base_path = Path("data")  
electricity_price = pd.read_csv(base_path / "electricity price.csv")
unit = pd.read_csv(base_path / "unit.csv")

# 找到出清价格为缺失值的行，即要预测的目标,去除demand列，符合最后的提交格式 
sample_submit = electricity_price[electricity_price["clearing price (CNY/MWh)"].isna()].drop(columns="demand")
sample_submit.to_csv(base_path / "sample_submit.csv", index=False)

# 将day和time列合并成timestamp列，便于提取时间戳特征
electricity_price["timestamp"] = pd.to_datetime(
    electricity_price["day"] + " " + electricity_price["time"].str.replace("24:00:00", "00:00"))

# 处理24:00:00的情况，即表示第二天的00:00:00
mask = electricity_price['timestamp'].dt.time == pd.Timestamp('00:00:00').time()

# 需要将这些行的日期部分加一天
electricity_price.loc[mask, 'timestamp'] += pd.Timedelta(days=1)

# 设置列的顺序，同时去除day和time列
electricity_price = electricity_price[["timestamp", "demand", "clearing price (CNY/MWh)"]]

electricity_price.head()  # 显示前5行数据
unit.head()

# 使用ABM估计市场清出价格
sorted_unit = unit.sort_values("coal consumption (g coal/KWh)")  # 按照一度电的耗煤量（近似为边际成本）降序排序
sorted_unit.head()

# 预先计算 sorted_unit 的累积和
sorted_unit['cumulative_capacity'] = sorted_unit['Capacity（MW）'].cumsum()

prices = []

# 找到最后一个满足总需求的机组报价
for demand in electricity_price["demand"]:
    price = sorted_unit[sorted_unit['cumulative_capacity'] >= demand]["coal consumption (g coal/KWh)"].iloc[0]
    prices.append(price)

print(len(prices))
prices[:5]

#转化耗煤量为机组报价
model = LinearRegression()
# 55392为训练集的长度
train_length = 55392
prices = np.array(prices).reshape(-1, 1)
X = prices[:train_length]
y = electricity_price["clearing price (CNY/MWh)"].iloc[:train_length].values.reshape(-1, 1)
model.fit(X, y)

model.coef_, model.intercept_
y_pred = model.predict(prices[train_length:])
y_pred = y_pred.flatten()  # 2维矩阵转为1维
y_pred[:5]

sample_submit["clearing price (CNY/MWh)"] = y_pred
sample_submit.head()
sample_submit.to_csv("submit.csv", index=False)

提交结果

知识点

ABM（Agent-Based-Modeling）

ABM（Agent-Based Modeling），即基于个体的建模，是一种模拟系统复杂行为的工具。它通过模拟个体（代理）的行为和相互作用，来研究系统整体的动态变化。
应用案例：康威的生命游戏（Game of Life），新冠传染病传播模型、政府企业博弈模型、鸟群模型……
ABM不关注复杂的数学，只关注如何用简单的交互规则模拟复杂系统（从简单的个体交互规则涌现系统的复杂性）。

在ABM中，实现相似的模拟结果，只需要三个规则：

• 每个智能体有初始的能量，移动会消耗能量，进食会增加能量
• 当能量过低，智能体死亡；当能量足够高，智能体会繁育
• 如果移动后遇到食物（对于羊来说是青草，捕食者来说是羊），则吃下它。

总的来说，一个典型的ABM模型由以下几个部分组成：

• 代理（Agent）：系统中的基本个体，每个代理都有自己的属性和行为规则。
• 环境（Environment）：代理活动的空间或网络，可能影响代理的行为。
• 交互规则（Interaction Rules）：代理之间、代理与环境之间的相互作用规则。
• 时间步（Time Steps）：系统按离散的时间步推进，模拟出系统的动态变化过程。
  定义了这些规则后，我们就可以开始模拟，并从模拟中发现ABM的核心“涌现现象”，即个体的行为涌现出了总体的变化。