【Datawhale AI 夏令营】电力需求预测 Task02

一.目标

完成task01最基础的跑通baseline操作后，task02的目标就是使用进阶的机器学习模型lightgbm来解决问题，以达到更好的预测效果。

通过本次学习，可以了解：

• 用数据集绘制柱状图和折线图
• 使用时间序列数据构建历史平移特征和窗口统计特征
• 使用lightgbm进行训练并预测

二.基础概念

1.LightGBM

LightGBM（Light Gradient Boosting Machine）是一个实现GBDT算法的框架，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。
LightGBM 框架中还包括随机森林和逻辑回归等模型。通常应用于二分类、多分类和排序等场景。

三.代码

本次测试主要是在飞桨AI Studio星河社区进行运行的
链接: link

1.数据集选择

当你登录（注册）好账号后，本次测试需要数据集，所以需要我们手动去选择添加对应的数据集。

• 点击项目，选择新建项目中的Notebook
• 点击添加数据集，搜索电力需求预测挑战赛-数据集
  

2.模块导入

• 在导入模块之前，需要先安装上LightGBM,输入下述代码，之后运行，即可安装。

pip install lightgbm==3.3.0

• 导入所需模块

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
import tqdm
import sys
import os
import gc
import argparse
import warnings
warnings.filterwarnings('ignore')

3.读取训练数据和测试数据

根据个人相关数据库的地址所在（可能提供的源代码的地址和你的实际地址有出入），可以对下述中的地址进行修改

train = pd.read_csv('./data/data283931/train.csv')
test = pd.read_csv('./data/data283931/test.csv')

数据介绍：

• 其中id为房屋id;
• dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；
• type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；
• target为实际电力消耗，也是我们的本次比赛的预测目标。

4.可视化分析

• 不同type类型对应target的柱状图

import matplotlib.pyplot as plt
# 不同type类型对应target的柱状图
type_target_df = train.groupby('type')['target'].mean().reset_index()
plt.figure(figsize=(8, 4))
plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green'])
plt.xlabel('Type')
plt.ylabel('Average Target Value')
plt.title('Bar Chart of Target by Type')
plt.show()

• id为00037f39cf的按dt为序列关于target的折线图

specific_id_df = train[train['id'] == '00037f39cf']
plt.figure(figsize=(10, 5))
plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')
plt.xlabel('DateTime')
plt.ylabel('Target Value')
plt.title("Line Chart of Target for ID '00037f39cf'")
plt.show()

5.特征工程（历史平移特征和窗口统计特征）

（1）历史平移特征

通过历史平移获取上个阶段的信息；如下图所示，可以将d-1时间的信息给到d时间，d时间信息给到d+1时间，这样就实现了平移一个单位的特征构建。

（2）窗口统计特征

窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。如下图所示，可以将d时刻之前的三个时间单位的信息进行统计构建特征给我d时刻。

（3）代码

# 合并训练数据和测试数据，并进行排序
data = pd.concat([test, train], axis=0, ignore_index=True)
data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)

# 历史平移
for i in range(10,30):
    data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
    
# 窗口统计
data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3

# 进行数据切分
train = data[data.target.notnull()].reset_index(drop=True)
test = data[data.target.isnull()].reset_index(drop=True)

# 确定输入特征
train_cols = [f for f in data.columns if f not in ['id','target']]

6.模型训练与测试集预测

本次测试使用的是LightGBM模型，同时结合上述的历史平移特征和窗口平移特征。
注意：由于数据具有时序性，所以要严格按照时序进行切分

• 选择原始给出训练数据集中dt为30之后的数据作为训练数据，之前的数据作为验证数据，
• 上述是为了防止出现数据穿越问题（不使用未来数据预测历史数据）

def time_model(lgb, train_df, test_df, cols):
    # 训练集和验证集切分
    trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']
    val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']
    # 构建模型输入数据
    train_matrix = lgb.Dataset(trn_x, label=trn_y)
    valid_matrix = lgb.Dataset(val_x, label=val_y)
    # lightgbm参数
    lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': 'mse',
        'min_child_weight': 5,
        'num_leaves': 2 ** 5,
        'lambda_l2': 10,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 4,
        'learning_rate': 0.05,
        'seed': 2024,
        'nthread' : 16,
        'verbose' : -1,
    }
    # 训练模型
    model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix], 
                      categorical_feature=[], verbose_eval=500, early_stopping_rounds=500)
    # 验证集和测试集结果预测
    val_pred = model.predict(val_x, num_iteration=model.best_iteration)
    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
    # 离线分数评估
    score = mean_squared_error(val_pred, val_y)
    print(score)
       
    return val_pred, test_pred
    
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)

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

三.改进

1.

第一次，将上述代码进行评分后，分数在259.966，于是我想应该如何把这个分数降低（分数越低证明这个模型越好）。

我主要是从特征工程那个地方入手的。特征工程中窗口统计特征部分是通过求连续3个窗口的均值，所有我决定改成求连续7个窗口的均值（将特征工程中窗口统计部分的代码改成如下）

# 窗口统计
data[f'win7_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target'] + data['last13_target'] + data['last14_target'] + data['last15_target'] + data['last16_target']) / 7

但是我发现适得其反，分数反而增大了。

于是我又换了种策略。

2.

我将求连续7个窗口的均值改成了求连续5个窗口的样本方差，如下述

# 窗口统计
average = (data['last10_target'] + data['last11_target'] + data['last12_target'] + data['last13_target'] + data['last14_target']) / 5
data[f'win5_var_target'] = ((data['last10_target']-average)**2 + (data['last11_target']-average)**2 + (data['last12_target']-average)**2 + (data['last13_target']-average)**2 + (data['last14_target']-average)**2) / 4

结果评分果然下降了

于是我又将求连续5个窗口的样本方差改成7个

# 窗口统计
average = (data['last10_target'] + data['last11_target'] + data['last12_target'] + data['last13_target'] + data['last14_target'] + data['last15_target'] + data['last16_target']) / 7
data[f'win7_var_target'] = ((data['last10_target']-average)**2 + (data['last11_target']-average)**2 + (data['last12_target']-average)**2 + (data['last13_target']-average)**2 + (data['last14_target']-average)**2 + (data['last15_target']-average)**2 + (data['last16_target']-average)**2 ) / 6

但是结果却不尽人意，增大了

上述即是我做的所有测试和改动，之后就没有了。