AETA地震预测 AI 算法大赛——Helloworld队比赛方案（亚军）

       首先很幸运拿到AETA地震预测AI数据分析大赛的亚军，非常感谢我的大佬队友（也是我的学弟）。我第一次参赛没有思路也没有经验，想先做一个可行性分析，做一个大而全的方案，导致的后果就是无从下手。队友直接给我上了一课，别想太多，先定一个简单的方案先试着，后期再做改进，不管三七二十一，一顿操作猛如虎，先肝再说，肝出了我们队的baseline，然后在比赛过程中一点点的改进，有了最终的方案。
       在这里也非常感谢主办方，给我们耐心地讲解，提供了很多研究资料，给了我很多启发。希望我的分享与总结能给大家带来些许帮助，并且一起交流学习。

1. 赛题分析

       选手通过分析电磁和地声数据，发现其中与临震相关的异常信号和特征，挖掘前兆观测数据与地震三要素的相关性，并基于历史观测数据和地震目录，构建地震预测模型。

        比赛要求：使用四川云南地区的历史观测数据预测未来该地区的地震事件，包括地震有无和地震发生的时间，经纬度，震级。主办方每周日更新本周的观测数据，要求提交下周四川云南地区的地震发生事件，包括地震有无和地震发生的时间，经纬度，震级。

比赛数据

19号台站的地声数据（蓝色最大值、黄色均值、绿色最小值）

87号台站的电磁数据（蓝色最大值、黄色均值、绿色最小值）

2. 赛题难点

        （1）数据特征构建：原数据是典型的时序数据，其大量的信息藏在它的结构中，不仅仅体现在其数值上。构建新特征，并寻找其中的强特征是比赛的难点之一。

        （2）地震机制复杂：不同的地区（如不同的断裂带）由于地质构造、地形地貌等不同，其地震的产生机理和发震特点也是有差异的。地震前，当地的电磁和地声会出现出现的现象没有明确的相通性，如何细分这些现象，并建立这些现象与地震的关联关系是比赛的难点。

3. 分类问题

        按照地区划分：鲜水河地震带、安宁河-则木河地震带、金沙江地震带、松潘-较场地震带、龙门山地震带、理塘地震带、木里-盐源地震区、名山-马边-昭通地震带、小江地震带、中甸—南涧地震带、大关—马边地震带、澜沧—耿马地震带、泸水—腾冲地震带、普洱—宁洱地震带、通海—石屏地震带。
        按时间划分：地震事件发生前一周
        按震级划分：经过统计以上区域的三年内历史地震多发在3~6之间，所以按照震级影响范围和频次划分为四档。

4. 特征工程

        （1）衍生特征：计算电磁和地声数据的临近差值等。

data['magn_var'] = data['average_magn'].diff()
    # 电磁均值的变化
data['sound_var'] = data['average_sound'].diff()
    # 地声均值的变化

        （2）统计特征：统计电磁和地声数据的衍生特征及基础特征一天内的最大值，最小值，均值，方差，偏度，峰度，均方根，波形因子，峰值因子，脉冲因子，裕度因子，最大值与最小值的差、滑动四分位数，以及变异系数。

      #滑动四分位距
 for i in [0.25, 0.75]:
        result['average_magn_' + str(i)] = data['average_magn'].quantile(i)
        result['average_magn_' + str(i)] = data['average_magn'].quantile(i)
def stat_feature(data_ ,flag):
    result_ = {}
    for feature in data_.columns:
        if (feature in {'Date', 'Longitude', 'Longitude','stationID','Day','area','label','Day of Predicting'}):
            continue
        data_min = data_[feature].min()
        data_max = data_[feature].max()
        data_mean = data_[feature].mean()
        data_std = data_[feature].std()
        data_skew = data_[feature].skew()
        data_kurt = data_[feature].kurt()
        # 均方根
        data_rms = math.sqrt(pow(data_mean, 2) + pow(data_std, 2))

        # 波形因子
        data_boxing = data_rms / ((abs(data_[feature]).mean()) + 0.0001)

        # 峰值因子
        data_fengzhi = (max(data_[feature])) / (data_rms + 0.00001)

        # 脉冲因子
        data_maichong = (max(data_[feature])) / ((abs(data_[feature]).mean()) + 0.00001)

        # 裕度因子
        data_yudu = (max(data_[feature])) / (
                    pow((data_[feature].map(lambda x: math.sqrt(abs(x))).sum() / (len(data_))), 2) + 0.00001)
        data_range = data_max - data_min
        data_covar = data_std / (data_mean + 0.0001)

        result__ = {
            feature + '_min': data_min,
            feature + '_max': data_max,
            feature + '_mean': data_mean,
            feature + '_std': data_std,
            feature + '_skew': data_skew,
            feature + '_kurt': data_kurt,
            feature + '_range': data_range,
            feature + '_covar': data_covar,
            feature + '_rms': data_rms,
            feature + '_boxing': data_boxing,
            feature + '_fengzhi': data_fengzhi,
            feature + '_maichong': data_maichong,
            feature + '_yudu': data_yudu,

        }
        result_.update(result__)
    result_ = pd.DataFrame([result_])
    if flag == 'train':
        result_['label'] = data_['label'].max()
    result_['stationID'] = data_['stationID'].max()
    result_['area'] = data_['area'].max()
    result_['Latitude'] = data_['Latitude'].mean()
    result_['Longitude'] = data_['Longitude'].mean()
    result_['Day of Predicting'] = data_['Day of Predicting'].max()
    return result_

        （3）额外衍生特征：通过用随机森林的特征重要性筛选方法选出特征重要性排前50的特征，两两交叉相乘得出新特征。

5. 模型训练

        使用Stacking方法进行建模，第一层基模型为lightgbm、随机森林和catboost，第二层使用逻辑回归。

6. 总结

        方案做的非常仓促，大致的思路是把预测问题转化成分类问题，假设特征值与类标签存在关系。不过我个人认为数据中包含很多信息，从时域、频域和结构等等方面提取出丰富的特征，会使模型得到比较好的结果。在比赛中，有的选手会选择0点到凌晨6点之间干扰比较少的数据，也得到了很好地结果。
        当然，我这种方法仅仅是从分类的角度来转化问题，比赛中也有很多选手用回归的方法来预测，也取得了很好地结果。
        希望能给大家带来一点思路。
下一届比赛
（代码和处理后数据我稍后会上传到CSDN和github）