#DataWhale AI 夏令营（从零入门AI for Science（AI+经济）Task3学习笔记）

时间序列挖掘

时间特征：

根据之前的分析，具体会挖掘以下特征：

1. 根据月份信息，判断是否为风季（1-5月和9-12月）
2. 根据小时信息，判断是否为低谷时段（10-15点）
3. 判断训练数据的索引是否在春节日期列表中
4. 断训练数据的索引是否在劳动节日期列表中

这是因为，基于季节、时间的天气变化会影响光伏发电的发电量，
进而使火力发电有更好，或者更差的市场需求。

而节假日期间，火力发电往往会产生负电价，在五一、春节期间
尤为明显。

总体而言，是为了找出对结果有显著影响的特征，
为此，还会构筑更多特征，例如demand的滞后特征，差分特征，百分比特征等。

考虑到新能源，即光伏发电会在未来占据更多市场，还会对结果进行整体缩放。

ABM报价策略优化

报价机制:

在Task2中我们分析过，实际上的报价会根据现实情况进行变动，而非不变的。

分析总结下来，市场需求低的时候，机组会降低报价，避免无法中标；
而市场需求高的时候，机组会提高报价，以求得到更高收益。

强化学习

强化学习的几个要素包括状态、动作、奖励和策略。其中，对于这个题目而言，状态空间连续，动作主要是出价的方式。这里想要训练一个好的强化学习模型，更重要的是设计好的奖励函数和策略，使得每一次训练的出价策略能够有恰到好处的收益。这需要一定的实践经验。

在一个强化学习环境里面，智能体的目的就是选取一系列的动作来最大化奖励，所以这些选取的动作必须有长期的影响。也就是说，智能体在决策中的每一步累计起来，最后形成了交易中的好结果与坏结果，这是个序列决策。整个决策的状态本质上是一个关于其历史的函数。