Compartilhamento de tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

#AIsummercamp#Datawhale #summercamp

1. Introdução à competição

Com o rápido desenvolvimento da economia global e a aceleração da urbanização, o sistema energético enfrenta desafios crescentes. A previsão precisa da procura de eletricidade é crucial para o funcionamento estável da rede elétrica, a gestão eficaz da energia e a integração de fontes de energia renováveis.

2. Tarefas de evento

Dados os dados sequenciais relevantes e outras informações do histórico de consumo de eletricidade de N dias correspondentes a múltiplas casas, preveja o consumo de eletricidade correspondente às casas.

Competição de desenvolvedores de IA iFLYTEK 2024 - plataforma aberta iFLYTEK  

3.Tarefa 2: Lightgbm avançado, iniciar engenharia de recursos

(1) Módulo de importação:Esta seção contém os módulos exigidos pelo código

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

(2) Preparação de dados

No estágio de preparação de dados, os dados de treinamento e de teste são principalmente lidos e a exibição de dados básicos é realizada.

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

Uma breve introdução aos dados: Entre eles, id é o ID da casa, dt é o identificador do dia, os dados de treinamento mínimos dt são 11 e IDs diferentes correspondem a diferentes comprimentos de sequência. Em geral, há uma diferença relativamente grande no geral; a meta de consumo de diferentes tipos de casas é o consumo real de energia, que também é nossa meta de previsão para esta competição. A seguir está uma análise visual simples para nos ajudar a ter uma compreensão simples dos dados.

• Histograma de alvos correspondentes a diferentes tipos

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()

• O gráfico de linhas do alvo com id como 00037f39cf como sequência de acordo com dt

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()

(3) Engenharia de recursos

Aqui construímos principalmente recursos de tradução histórica e recursos estatísticos de janela, cada recurso é bem fundamentado e explicado em detalhes a seguir:

• Recursos de tradução histórica:A informação da etapa anterior é obtida através da tradução histórica conforme mostra a figura abaixo, a informação do tempo d-1 pode ser dada ao tempo d, e a informação do tempo d pode ser dada ao tempo d+1, concretizando assim a construção de recursos de uma unidade de tradução.

• Características estatísticas da janela: As estatísticas de janela podem construir diferentes tamanhos de janela e, em seguida, calcular as informações de média, máximo, mínimo, mediana e variância com base no intervalo da janela, o que pode refletir as alterações nos dados no estágio mais recente. Conforme mostrado na figura abaixo, as informações das três unidades de tempo antes do momento d podem ser construídas estatisticamente para me dar o momento d.

  # 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']]
  

  4) Treinamento de modelo e previsão de conjunto de testes

  A escolha de usar o modelo Lightgbm é geralmente usado como modelo básico em competições de mineração de dados. Ele pode obter pontuações relativamente estáveis ​​​​sem a necessidade de ajuste de parâmetros de processo. Além disso, deve-se notar que a construção do conjunto de treinamento e do conjunto de verificação, porque os dados têm um relacionamento de série temporal, é estritamente dividido de acordo com a série temporal. Aqui, o conjunto de dados de treinamento original dt é 30 como o treinamento. dados, e os dados anteriores são usados ​​como dados de verificação, isso garante que não haja problema de cruzamento nos dados (dados futuros não são usados ​​para prever dados históricos).

def time_model(clf, 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 = clf.Dataset(trn_x, label=trn_y)
    valid_matrix = clf.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 = clf.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)

pegarFração.

4.Avançado

A importância da engenharia de recursos é evidente

Adicionei mais alguns recursos, poderia ter adicionado mais, mas o colab não tinha memória suficiente.

Existem milhões de dados e não há como adicionar mais recursos. Vamos ver como otimizá-los mais tarde.