“市场博弈与价格挑战赛”&Task1启动！#Datawhale AI 夏令营 #Datawhale #夏令营第三期

#Datawhale夏令营 #Datawhale #夏令营第三期

作为一个小白，第一次参加类似的活动。在这次Datawhale夏令营第三期的“AI+经济”活动中，我一开始关注的是整个活动的目标。我的理解是，这次第三期夏令营的目标在于，我们作为使用者，在按照步骤学习运用建模(Agent-Based Modeling, ABM)方法的同时，通过学习后续课程完善学习方案与最初的脚本文件，进一步做出更合适的方案来模拟电力现货市场中发电机组的报价行为,最终相对合理地预测市场出清价格，使之接近实际情况。此笔记主要梳理Task1的内容，并结合我个人的理解进行表述。

在Datawhale的指南中，第一步是报名相关活动（活动链接这里就不列出了，感兴趣的小伙伴可以去Datawhale的相关链接查看）。参加该活动后，可以将后续自己“跑出”的结果上传，同其他参加活动的小伙伴进行得分比较，这有助于相对客观地看出自己此次代码的测试水平。第二步，下载模型训练好的“第一版”代码文件，以及活动官方提供的电力原始数据表。第三步就是进入魔塔社区的环境，上传第二步中下载的代码及原始数据通过CPU环境进行运算（注册参与活动会获赠算力，挺好）。最后，得到此次的运行结果，并将其下载到本地，然后上传到第一步参加的活动中并得到此次运行的分数。后续的Task2、Task3或许我也能够学会代码的改进，去获得一个更好的分数，去运行出一个更加逼近真实电力市场的预测结果。

接下来谈谈我对本次Task1内容的一些“小白理解”。首先是关于Baseline，其实到现在我对Baseline还是不能下一个明确的定义。我对其的意会为：基本的、初始的模型或方法，用作我们的参考点和起步，并且后续可以改进和完善从“基础路线”进化为“高级路线”（如果理解不到位还请各位朋友批评指正）。其次，是关于这个Baseline套用的模型，即ABM模型。在Datawhale提供的相关解释中，“ABM是基于个体的建模，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”。此处我们应该就是利用其来研究电力交易市场报价的动态变化，最后通过我们的代码改进使模型运行结果的误差降低到尽可能低的水平(此处使用均方误差和均方根误差的均值来衡量最终评价指标的水平)。当然，关于ABM模型的更详细理解以及最终评价指标的运算原理大家可以移步Datawhale去查看。再次，是关于ABM的构建，既然要用这个模型，那么它应该如何构建，又应该如何优化呢（我是一点不知道呜呜呜），此处引用Datawhale分享的总结，如图1所示（已经开始期待Task2了哈哈哈）。

图1 ABM组成介绍

最后，是我对群内问题的理解。7月27日，群里助教提出了一个问题：“在数据预处理阶段，我们将 day 和 time 列合并成 timestamp 列，并处理了 24:00:00 的情况。为什么需要将 24:00:00 转换为第二天的 00:00:00，并且这样处理后的数据在分析中有什么重要性？”。在查询一些资料并问询了我的科班同学后，我认为原因在于：Day和time结合主要是为了简化时间的处理，让时间顺序更清晰；至于为什么转0.0.0，一方面应该是为了符合人类时间直觉，以便后续数据绘图和解释，另一方面在本活动的电力市场背景下，应该是为了满足电力需求和价格的日周期性，确保数据的一致性和连续性，为后续的时间序列分析、模式识别和预测建模奠定基础。(理解不当的地方，还请各位大佬指正）。