Python基于机器学习模型LightGBM进行水电站流量入库预测项目源码+数据集+模型，含项目报告

1.前言
该文档主要是介绍通过机器学习模型LightGBM进行水电站流量入库预测。 对于水电站来说，发电是主要经济效益来源，而水就是生产的原料。对进入水电站水库的入库流量进行精准预测，能够帮助水电站对防洪、发电计划调度工作进行合理安排，实现避免洪涝灾害和提升发电经济效益的目的。

2.目标
基于历史数据和当前观测信息，对电站未来7日入库流量进行预测（每3小时一个预测值，共56个待预测值）。
3.数据解析
竞赛主办方共提供了4类数据，包括历史入库流量数据、环境数据、降雨预报数据以及遥测站降雨观测数据。数据均为时序数据。
其中入库流量数据包含时间和流量两个字段。环境数据提供了温度、风速、方向三个字段。天气预报包含了未来五天的降雨情况。遥测站数据则包括了39个点的降雨量。
初赛提供：2013年-2018年的历史数据
决赛提供：2019年数据
数据维度：3小时为一个粒度点
数据缺失：初赛数据在14年缺少部分数据，决赛未提供18年数据
综上述，经过对数据的了解和分析，影响模型预测主要归纳为一下四个方面：
历史数据存在样本缺失
使用何种模型进行预测，NN还是回归
如何选取、构造特征，使用特征
数据的准确性
4.赛题分析与模型选择
从数据表现来看，是一个完完全全的时序题，针对时序题的做法有很多，找周期拟合、使用NN模型，本人尝试过LSTM、GRU、RNN、CNN等，通过线下拟合，自划分样本进行测试&#