Datawhale夏令营第二期——电力需求预测挑战赛

一、赛题简介

本次Datawhale AI夏令营的电力需求预测挑战赛，旨在通过构建时序预测模型来预测多个房屋在未来的电力消耗情况。赛题任务是对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。赛题目标是训练 时序预测模型 助力电力需求预测

二、数据概览

赛题提供了训练集和测试集，这些数据集包含以下字段：房屋ID、日期标识、房屋类型以及实际电力消耗量。为保证比赛公正性，日期进行了脱敏处理，其中1代表最近一天，1-10天的数据被用作测试集。

三、baseline代码实现

代码如下：

1. 数据处理：

   • 使用Pandas对数据进行预处理，包括合并训练集和测试集，对日期和房屋ID排序等。
   • 利用Numpy进行数值计算，例如创建滚动窗口以计算过去N天的平均电力消耗。

2. 模型构建与训练：

   • 采用LightGBM构建基线模型，该模型因其高效的处理能力在处理大规模数据时表现优异。
   • 设定合适的超参数，如学习率、树的数量、深度等，进行模型训练。

3. 性能评估：

   • 使用均方误差作为评价指标，公式为：

     

   • 其中，yi和 y^i分别代表实际值和预测值。

4. 结果提交：

   • 预测结果保存为CSV文件，按照规定格式提交。
     

四、代码微调与分数提升

1. 参数优化：

   • 调整LightGBM的参数，如增加树的深度，调整学习率等，以优化模型表现。
   • 使用交叉验证进行超参数调整，以获得最佳模型配置。

2. 特征工程改进：

   • 引入更多滚动窗口统计特征，如电力消耗的移动平均和标准差。实验不同的时间序列特征，如季节性趋势和周期性变化，以提高预测精度。

     本次有幸参加Datawhale组织的AI夏令营，关于机器学习方向的“电力需求预测挑战赛，此次笔记为task1的笔记，主要目标是跑通baseline，体验机器学习解决问题的流程，基本了解赛题要求，理解赛题场景。通过竞赛实践，加深了对时间序列预测方法的理解，特别是在电力需求预测领域的应用。

     后续部分的学习也会坚持记录。