Datawhale AI 夏令营task01笔记

电力需求预测挑战赛

【训练时序预测模型助力电力需求预测】

电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。

赛题任务

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。

赛题数据简介

赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识。即1为数据集最近一天，其中1-10为测试集数据。

数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。

分析

通过训练数据中的特定时间段计算出每个 id 的目标值均值，并将其应用到测试数据中，最后生成提交文件。

baseline代码

1.导入必要的库
import pandas as pd
# pandas用于数据操作和分析
import numpy as np
# numpy用于数值计算

2.读取数据
# 从指定路径读取训练集和测试集的数据文件 (train.csv 和 test.csv)
train = pd.read_csv('./train.csv')
test = pd.read_csv('./test.csv')

3.计算目标变量的均值
# 筛选出训练集中日期（dt）小于等于20的记录，然后按id分组计算target的平均值
target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()
# 从 train 数据集中筛选出 dt 小于等于 20 的记录
# 根据 id 分组，并计算 target 的均值。
# 使用 reset_index() 方法将分组后的结果转换为 DataFrame

4.合并数据
# 将计算得到的 target_mean 与 test 数据集进行合并，基于 id 列，使用左连接 (left join)
test = test.merge(target_mean, on=['id'], how='left')

5.保存结果
# 将合并后的 test 数据集中的 id、dt 和 target 列选择出来，并保存为 submit.csv 文件，不包含索引
test[['id','dt','target']].to_csv('submit.csv', index=None)

关键点

数据准备：从 CSV 文件中读取数据。
特征工程：基于 dt 小于等于 20 的记录，按 id 分组计算 target 的均值。
数据合并：将计算得到的均值合并到测试数据集中。
结果保存：将最终结果保存为 CSV 文件。

时间序列问题

时间序列模型是在生产和科学研究中，对某一或一组变量在不同时间点上的观测值进行建模分析的理论和方法。这些观测值按照时间顺序排列，形成时间序列数据，用于解释变量之间的关系及其动态变化。

一、时间序列模型概述

时间序列数据是指将某一统计指标的数值按其发生的时间先后顺序排列而成的数列。这种数据在自然、经济、社会等领域中广泛存在，如生态系统中动植物种群数量的变化、金融市场的股价波动、宏观经济指标等。时间序列分析的主要目的是根据已有的历史数据，预测未来的发展趋势或解释数据背后的动态规律。

二、常用时间序列模型

时间序列分析常用的模型主要包括以下几种：

1. 自回归模型（AR模型）
   • 定义：自回归模型是一种用同一变量的过去值来预测未来值的线性模型。
   • 特点：适用于预测与自身前期相关的现象，即受自身历史因素影响较大的现象。
2. 移动平均模型（MA模型）
   • 定义：移动平均模型是通过过去随机误差项的线性组合来预测未来值。
   • 特点：适用于时间序列数据中存在随机波动，且这些波动在短期内具有相关性的情况。
3. 自回归移动平均模型（ARMA模型）
   • 定义：ARMA模型是自回归模型和移动平均模型的结合体，用于同时处理时间序列中的自相关和移动平均特性。
   • 特点：适用于平稳时间序列数据的建模和预测。
4. 自回归差分移动平均模型（ARIMA模型）
   • 定义：ARIMA模型是在ARMA模型的基础上，增加了差分步骤，用于处理非平稳时间序列数据。
   • 特点：通过差分将非平稳时间序列转化为平稳序列，然后应用ARMA模型进行建模和预测。

三、应用场景

时间序列模型广泛应用于国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等领域。随着大数据和人工智能技术的发展，时间序列分析在金融科技、智能制造、智慧城市等新兴领域也发挥着越来越重要的作用。