[印象盐城]数创未来大数据竞赛 - 盐城汽车上牌量预测亚军比赛攻略

大赛具体信息可以参考，比赛地址：

/competition/entrance/231641/introduction?spm=5176.12281957.1004.6.38b04c2a6dFlCw

共有2635只队伍参赛，我获得了复赛Rank1，决赛亚军。这是我的方案。

题目内容：

本次赛题需要选手利用历史某3年的汽车日上牌数据，预测某2年每天的汽车上牌数。

数据特点及要求： 数据经过严格脱敏，所以选手看到的”cnt”并非真值；字段”date”, “brand”用数字代替；字段”day_of_week”是真实的数据。 为还原真实场景需求，除日期和假日外的未来数据，皆不可使用。

价值： 预测盐城总体汽车增长情况，对于政府的道路规划起到一定的指导意义。

赛题分析

精确：要对上牌量做到尽量准确的预测，这样才能更好的指导政府道路规划等实际应用。 泛化：模型要对不同品牌，不同时间的数据表现稳定，不能有太大的波动。 性能：因为未来实际应用的时候，可能会处理大批量的数据，所以对模型的性能也有一定的要求。

整体方案如图所示：

数据预处理

数据特点： 1，赛题日期等关键数据进行了脱敏。 2，上牌量为0的日期的数据是没有的。 3，赛题要求对未来每天上牌量的一个长期预测，最后决赛阶段预测的时间的跨度超过了1年，假日等特征十分的重要。

数据还原： 1，为了对数据规律进行探索，及使用时序算法，需要填充缺失的日期。 2，为使用日期和假日作为特征，及对实际日期进行还原。

缺失日期填充： 1，汇总每天的上牌量，并按Sale_date排序。 2，先假设没有完全失去的一周，即只要后续日期的day_of_week小于等于本天，就是开始了新的一周。以此为根据补全所有的缺失日期。

日期还原： 因为上牌量具有工作日上牌量较多，节假日较少的特点。所以可以将填充缺失日期后的上牌信息与每年节假日情况进行对比，主要以十一和春节两个大假期作为锚点，通过比对这两个假期的距离以及历年春节的日期，可以很快确定第一周是从1231开始的。

节假日信息： 根据历年的放假安排加入节假日信息，主要是工作日放假及周末串休的情况。同时重新检查是否有完全没有上牌的周（这个根据检查是没有的）。需要注意9月3日抗战纪念日，3号、4号、5号放假，6号上班。

工作日、节假日特征： 每天的工作情况是最重要的特征之一，必须进行妥善的处理和表达。建立if_work_day特征对工作情况进行表述： 1，根据统计数据发现一般工作日与周六、周日相差较大，周六与周日也有一些差别，不过周日和节假日的情况差别不大。所以分别用2，1，0对应一般工作日，周六，周日。 2，节假日休息的日期处理成0，串休工作的日期处理成2。

数据分析： 将数据按日期画折线图及按每年叠加分别画图进行观察，可以发现一般的品牌都有比较明显的周期性（年，周等），所以类似day_of_week，day_of_year一类的特征肯定要用的。

异常值处理： Brand5和Brand8的数据在以前和后期情况相差很大，所以在做特征的时候这两个品牌只取之后的数据。特征工程

特征工程： 前期以探索、堆叠特征为主方向，后期以调整、优化为主方向，因为本次比赛数据量相对不大，可以进行频繁的实验，实际过程中对所有特征的变化都通过实验进行了验证。

尝试过的特征数据及变换： 1，基础数据特征：上牌日期，总日期，品牌，工作情况，年第几天，月第几天，周几，年份，月份，年第几周，总第几周，总第几月等等。 2，衍生数据特征：节假日前后第几天，春节相关的系数（试过春节距离新年的天数及一些衍生的系数），放假第几天，去年当日上牌量（本天减364，因为要周对齐）及一些衍生，去年当周上牌量（本周减52）及一些衍生（比如本品牌在当周的排行，日期平均、品牌平均等），平均当周在一年的占比，平均周几在1周的占比，时序预测(fbprohpet, auto.arima, tbats …)的结果等。 3，外部数据特征：网上爬取了盐城地区的汽车产量，消费情况等数据，以及乘用车比赛的月汇总销量等等。 4，目标值处理：尝试过对上牌量进行开方，取Log等变换。

特征评估和验证： 选择特征的时候使用了相关性，pca，selectkbest等方法。程序对调整后的特征自动进行实验验证及记录，以Xgboost和LightGBM的线下成绩为判断依据。 使用过类似贪心法的办法进行自动模型探索，即先放入必不可少的几个特征后，通过代码对比每次增加新特征之后的成绩，确定是否保留这个特征。然后继续直到把所有特征都过一遍。

选择结果： 经过大量的实验，尤其是在3月2日更新不准使用日期和假日外的未来数据后，基本排除了2，3部分的特征，以及第4部分的变换，最终特征都是来自第1部分的基础特征。

最终特征版本（使用9个特征）： day_of_year（年第几天）， brand（品牌）, week_id（总第几周）， day_of_month（月第几天）， day_of_week（周几）， week_of_year（年第几周）， year_num（年）， if_work_day（工作情况）, month_num（月） xgboost下特征的重要性排序如图所示（LightGBM也是这个顺序）：

模型选择、调参及优化

尝试时序算法：

1，尝试使用fbprohpet及auto.arima, tbats, stlf,等时序算法，试过按日，周（然后按照一周内每天的占比再分），效果都一般，不够参与最后的融合。2，后续曾经尝试将时序分析的结果（包括时序分析预测 的结果，fbprophet的yhat， yupper，ylower）等用于回归的特征，效果还是不好，最后放弃了直接使用时序算法，只作为对数据规律理解的辅助手段。

选择回归算法：

1，尝试LR, XGBoost, LightGBM, CatBoost, KNN, RF, DT, SVR, LSVR, GBDT, ABDT, BAG, ET, MLP, RIDGE, LASSO等多种模型，根据模型效果重点使用XGBoost, LightGBM进行实验，不过只要对特征进行较大改动还会用所有的模型扫一遍，防止漏掉可能的好方案。2，模型评估，TestA阶段主要是线下CV的结果进行验证，TestB阶段用TestA阶段的结果补充验证。3，在调用模型的时候，对于分类特征（品牌和工作情况），对比了直接训练，使用categorical_feature，以及分别训练，发现分别训练的效果更好。最后选择了3种训练模式：1，按Brand分别训练，2，按工作情况分别训练，3，按工作情况分别训练，然后工作日再按照Brand分别训练。然后再将结果融合。

参数调优： 采用网格调参，调参的时候针对10个Brand分别运行GridSearchCV，因为发现对于不同的Brand在大多数的参数上的取之都是比较集中，所以最后的参数是这个10个Brand参数进行表决的结果（取出现最多的数值）。验证的时候发现比每个Brand分别用自己GridSearchCV的最优参数还要好，在提高成绩的同时也提高了整个模型的泛化能力。

最终方案

总结

创新性：

针对长期预测的特点选择了最适合的少量特征+适度复杂模型的处理模式，有效的防止了过拟合的产生。 通过采用表决机制形成统一的最优参数，在提高成绩的同时，提升了方案的性能和泛化能力。 系统化的特征构建及全自动的实验、记录及验证过程。以多模型的线下结果作为选取特征的评估标准，对多种特征组合进行验证。 对模型的训练方式进行了深入的探索和测试，最终通过分类训练然后融合的模式提升了准确性。 细致的数据预处理过程，对具体日期和节假日的精细还原。

实用性：

精确：最终线上成绩32778，复赛第1。 泛化：整个模型的泛化能力很好，线下针对不同的时间段进行测试，都取得了很好的成绩。 性能：算法性能极佳，未来用于实际应用的时候，处理大规模数据完全不是问题。 高效：通过构建科学的代码结构，很方便的进行特征构建及模型的探索；实现全自动的实验及结果记录，提高人员工作效率；代码复用性很好，可以很方便的复用于其它问题。

经验总结：

需要对业务和数据进行深入的了解，科学的数据可视化处理对于理解数据有很大的帮助。 磨刀不误砍柴工，优化代码结构，将模型实验、特征分析和结果记录等工作自动进行，提高工作效率，实现快速迭代。 查找资料，借鉴前人经验。做好规划，合理安排时间，可以多种方案、模型并行研究。 如果向一个方向反复尝试都效果不好，不妨停下来，让自己缓一缓，想一想其他方向，不要落入自己的思维定势。