KDD Cup大赛Baseline&思路开源了！

Posted 2022-04-08 Datawhale

赛题名称

Baidu KDD CUP 2022

赛题链接

https://aistudio.baidu.com/aistudio/competition/detail/152/0/introduction

赛题背景

1

目标

预测风力涡轮机未来42小时的功率

2

数据

每 15 分钟采样一次数据。

数据包括：

时间信息；

气候信息：风速、风向、温度；

涡轮机信息：涡轮转子速度、发电机温度、轮毂温度；

地理位置信息：涡轮机空间分布矩阵。

3

评价指标

RMSE（均方根误差）和 MAE（平均绝对误差）的平均值。

赛题解析-数据预处理

1. 数据标签（发电机功率）中发现有负数，似乎不符合逻辑，需要进一步和主办方确认。

2. 对于标签为连续型变量的场景，可以尝试对标签先进行变换，预测获得结果后再重新逆操作回来，例如先取log1p，预测获得结果后再取expm1(注意log操作只能对大于0的数进行)。

3. 时序预测场景需要考虑训练集的时间范围。假设主办方给了半年的数据，可能只用最近一个月的数据来构造训练集，效果比全量数据好。

赛题解析-特征工程

特征工程主要包括四大块。

对于时变的特征，例如赛题里的涡轮机功率，温度等，可以构造的特征包括lag信息，历史窗口内的统计特征，一阶差分等。

时间特征方面，包括星期几、小时等。

空间特征主要是和TurbID相关的信息，可以考虑把target encoding加进来，以及当前TurbID相邻的涡轮机信息。

其他特征例如做特征交叉，gbdt特征等。

赛题解析-模型

模型包括三大类。

树模型可以使用light和xgboost，这里常用的有两种建模方式。第一种是迭代预测，每次往前预测一步，然后把预测结果纳入进来构造特征，不断地往前迭代，达到预测多步的目的。第二种是非迭代预测，非迭代预测中也有两种建模方式：一是对数据扩充N倍(N表示多步预测的预测步长，本赛题N为168)，这种方法可以在数据构造时加上一列，表示往前预测多少步；二是训练N个模型，每个模型各自负责往前预测多少步。

深度学习模型可以考虑的包括：LSTM、Dilated cnn、DeepAR、N-BEATS等。

统计模型常见的包括ARIMA以及facebook的prophet。

赛题解析-线下验证

线下验证尽量和测试集的构造方式保持一致。

例如训练集给定1-7天，预测未来42小时，最后24小时用来计算结果。我们可以将1-5天的数据拿来训练，预测未来42小时，最后24小时作为线下验证集。

赛题解析-模型融合

模型融合可以使用stacking以及加权平均、调和平均等方法。

赛题解析-后处理

后处理可以查看一下预测结果是否超出了合理范围；以及使用一些魔法系数等。

baseline

我们的开源项目AutoX提供了本赛题的baseline代码：

https://github.com/4paradigm/AutoX/blob/master/autox/autox_ts/demo/kdd_cup_2022_autox.ipynb

预测结果示例

开源项目地址

https://github.com/4paradigm/AutoX

参赛选手可以关注下面公众号，后台回复“KDDCUP”即可进群。