环境空气质量评价挑战赛baseline——使用lightgbm+特征工程。

Posted 2021-07-30 AI浩

赛题

一、赛事背景

随着工业化和城镇化的快速发展，环境问题日益突出。空气污染是全球最重要的环境问题之一，影响着人们的健康、生产和生活。为了改善空气质量，我国加大监测和环保力度，增加空气质量监测站点，实施蓝天保卫战，并将空气质量水平与污染治理水平纳入部门工作考核。科学有效地评价空气质量，能够为预防和治理空气污染提供科学依据，有利于交通或环境管理部门实施污染控制，降低空气污染的影响，改善人类福祉。由于大气环境是受污染源、气象、人为因素的影响，因此需要客观综合地评价空气质量。

二、赛事任务

每日环境空气质量评价需要综合各污染物的影响，本次大赛提供了每日AQI数据和主要污染物浓度数据，参赛选手需构建空气质量评价模型，根据提供的样本评价样本之间的相对污染程度。

三、评审规则

1.数据说明
本次比赛为参赛选手提供了大气污染数据，包括一氧化碳、细颗粒物、可吸入颗粒物、臭氧、二氧化氮、二氧化硫。此次比赛分为初赛和复赛两个阶段，两个阶段的区别是所提供样本的量级和样本城市有所不同，其他的设置均相同。

特别说明，空气质量评价本身是一个不确定性问题，主要采用不确定性方法来构建模型，如模糊数学，灰色理论，证据理论，神经网络等统计分析方法。

2.评估指标
本模型依据提交的结果文件，利用均方根误差（RMSE）评价模型。

（1） 样本的相对综合污染系数 IPRC，用于判断样本之间的相对污染程度。

（2） 基于IPRC，计算RMSE. 其中m为样本数，y为IPRC真实值，y_pred为IPRC预测值。

3.评测及排行
1、初赛和复赛均提供下载数据，选手在本地进行算法调试，在比赛页面提交结果。

2、每支团队每天最多提交3次。

3、排行按照得分从高到低排序，排行榜将选择团队的历史最优成绩进行排名。

四、作品提交要求

1.文件格式：按照csv格式提交
2.文件大小：无要求
3.提交次数限制：每支队伍每天最多3次
4.文件详细说明：

1. 以csv格式提交，编码为UTF-8，第一行为表头；

2. 提交格式见样例

5.不需要上传其他文件

赛题分析

首先分析这个比赛是解决什么问题？从评估指标RMSE我们可以得出这个比赛是回归问题，是预测IPRC的值，所以IPRC是y值，是我们要预测的值。

数据分析

初赛的数据集是保定2016年的空气质量数据，测试集是国际庄2016到2017年的空气质量数据。回想2016年，那时候整个河北的污染还是比较严重的，经常看不到太阳，一年没有几天是好天气。先查看训练集前5行的数据：
执行代码：

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.model_selection import KFold
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler, MinMaxScaler
train = pd.read_csv('data/train/train.csv')
print(train.head(5))

运行结果：

日期	AQI	质量等级	PM2.5	PM10	SO2	CO	NO2	O3_8h	IPRC
2016/1/1	293	重度污染	243	324	122	6.1	149	12	2.088378
2016/1/2	430	严重污染	395	517	138	7.5	180	18	3.316942
2016/1/3	332	严重污染	282	405	72	6.3	130	10	2.516425
2016/1/4	204	重度污染	154	237	73	3.5	72	34	1.505693
2016/1/5	169	中度污染	128	186	99	3.2	66	39	1.210233

第一列是时间，对经历过那段时间的人来说，时间肯定是有用的，北方冬天取暖，空气质量差很多。春季和秋季刮风的时候多，好天气自然多一些，夏天有时下雨，下雨了空气的质量就能有所改善，空气质量和季节的相关系比较密切。对于时间的处理，我是采用将年月日分别3列。代码如下：

data["year"] = pd.to_datetime(data["日期"]).dt.year
data["month"] = pd.to_datetime(data["日期"]).dt.month
# 获取日
data["day"] = pd.to_datetime(data["日期"]).dt.day

第二列AQI和PM2.5、PM10、SO2、CO、NO2、O3_8h,这里列的处理方式类似，都采用MinMaxScaler(feature_range=(0, 1))，代码如下：

cols = ["PM2.5", "PM10", "SO2", "CO", "NO2", "O3_8h","day","month","year"]
scaler = MinMaxScaler(feature_range=(0, 1))
for clo in cols:
    data[clo] = scaler.fit_transform(data[clo].values.reshape(-1, 1))

第三列 质量等级，共5个等级，这个毫无疑问用OneHot编码做，我使用pandas 自带的方法实现OneHot编码，编码完成后把质量等级和日期列删除，代码如下：

df = pd.DataFrame({'质量等级': ['重度污染', '良', '中度污染', '轻度污染', '严重污染']})
ff = pd.get_dummies(data['质量等级'].values)
data['重度污染'] = ff['重度污染']
data['良'] = ff['良']
data['中度污染'] = ff['中度污染']
data['轻度污染'] = ff['轻度污染']
data['严重污染'] = ff['严重污染']
del data['质量等级']
del data['日期']
print(data)

运行结果：

标签数据处理 标签采用MinMaxScaler(feature_range=(0, 1))，把标签缩放到0-1之间，方便预测，代码如下：

scaler_y = MinMaxScaler(feature_range=(0, 1))
train['IPRC'] = scaler_y.fit_transform(train['IPRC'].values.reshape(-1, 1))
target = train['IPRC']

数据分析的完整代码如下：

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.model_selection import KFold
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler, MinMaxScaler
train = pd.read_csv('data/train/train.csv')
print(train.head(5))
test = pd.read_csv('data/test/test.csv')
smb = test['日期'].values
scaler_y = MinMaxScaler(feature_range=(0, 1))
train['IPRC'] = scaler_y.fit_transform(train['IPRC'].values.reshape(-1, 1))
target = train['IPRC']
del train['IPRC']
data = pd.concat([train, test], axis=0, ignore_index=True)
data = data.fillna(0)
data["year"] = pd.to_datetime(data["日期"]).dt.year
data["month"] = pd.to_datetime(data["日期"]).dt.month
# 获取日
data["day"] = pd.to_datetime(data["日期"]).dt.day

df = pd.DataFrame({'质量等级': ['重度污染', '良', '中度污染', '轻度污染', '严重污染']})
ff = pd.get_dummies(data['质量等级'].values)
data['重度污染'] = ff['重度污染']
data['良'] = ff['良']
data['中度污染'] = ff['中度污染']
data['轻度污染'] = ff['轻度污染']
data['严重污染'] = ff['严重污染']
del data['质量等级']
del data['日期']
print(data)
cols = ["PM2.5", "PM10", "SO2", "CO", "NO2", "O3_8h","day","month","year"]
scaler = MinMaxScaler(feature_range=(0, 1))
for clo in cols:
    data[clo] = scaler.fit_transform(data[clo].values.reshape(-1, 1))
train = data[:train.shape[0]]
test = data[train.shape[0]:]
# print(X_train)
X_train = train.values
y_train = target.values
X_test = test.values

构建模型

模型选用lightgbm ，lightgbm 是曾经的刷分神器，在kaggle的各种大赛盛极一时。今天我们就讲解如何是用lightgbm 实现回归算法。
第一步 配置参数。
常用的参数有学习力，l2 正则，叶子的节点等等，下面的代码列出了常用的参数配置：

param = {'num_leaves': 600,
         'min_data_in_leaf': 30,
         'objective': 'rmse',
         'max_depth': -1,
         'learning_rate': 0.001,
         "min_child_samples": 30,
         "boosting": "gbdt",
         "feature_fraction": 0.9,
         "bagging_freq": 1,
         "bagging_fraction": 0.9,
         "bagging_seed": 12,
         "metric": 'mse',
         "lambda_l2": 0.1,
         'is_unbalance': True,
         "verbosity": -1}

为了防止数据不均匀，提高模型的精确度，减轻过拟合，我们采用10折交叉验证。代码如下：

# 五折交叉验证
folds = KFold(n_splits=10, shuffle=True, random_state=42)
oof = np.zeros(len(train))
predictions = np.zeros(len(test))

然后开始训练和测试，设置迭代次数为100000，设置earlystop为1000，如果迭代1000次，loss没有发生变化则终止迭代，代码如下：

for fold_, (trn_idx, val_idx) in enumerate(folds.split(X_train, y_train)):
    print("fold n°{}".format(fold_ + 1))
    trn_data = lgb.Dataset(X_train[trn_idx], y_train[trn_idx])
    val_data = lgb.Dataset(X_train[val_idx], y_train[val_idx])

    num_round = 100000
    clf = lgb.train(param,
                    trn_data,
                    num_round,
                    valid_sets=[trn_data, val_data],
                    verbose_eval=2000,
                    early_stopping_rounds=1000)
    oof[val_idx] = clf.predict(X_train[val_idx], num_iteration=clf.best_iteration)
    b = [round(i, 3) for i in oof]
    predictions += clf.predict(X_test, num_iteration=clf.best_iteration) / folds.n_splits

保存结果

将预测的结果，按照缩放的比例还原，然后将测试结果保存到csv文件中。

inv_y = scaler_y.inverse_transform(predictions.reshape(1, -1))
inv_y = inv_y[0]
print(inv_y)
print("CV score: {:<8.5f}".format(mean_squared_error(oof, target)))
# 提交结果
resuktend = []
for (i1) in zip(inv_y):
    resuktend.append(i1)
dataframe = pd.DataFrame({'date': smb, 'class': resuktend})
# 将DataFrame存储为csv,index表示是否显示行名，default=True
dataframe.to_csv("test_estimator.csv", index=False, sep=',')

测试结果如下：

但是提交到竞赛平台上的得分只有0.2左右，过拟合还是很严重的。