【无标题】

参考链接：https://datawhaler.feishu.cn/docx/C6jvdEwsSo3JMwxFj1FcTEqtn1g

任务：参赛者基于现有数据，利用人工智能相关技术，建立预测模型来预测未来一段时间内的需求电量，帮助管理者提高充电站的运营效益和服务水平，促进电动汽车行业的整体发展。

具体步骤：

一、读取数据集

train_power_forecast_history = pd.read_csv(‘./data1/train/power_forecast_history.csv’)
train_power = pd.read_csv(‘./data1/train/power.csv’)
train_stub_info = pd.read_csv(‘./data1/train/stub_info.csv’)

test_power_forecast_history = pd.read_csv(‘./data1/test/power_forecast_history.csv’)
test_stub_info = pd.read_csv(‘./data1/test/stub_info.csv’)

二、数据分析

利用groupby函数进行分组聚合
充电量分组聚合求和
将充电量合并
train_df = train_power_forecast_history.groupby([‘id_encode’,‘ds’]).head(1)##分类组合
del train_df[‘hour’]

test_df = test_power_forecast_history.groupby([‘id_encode’,‘ds’]).head(1)
del test_df[‘hour’]

tmp_df = train_power.groupby([‘id_encode’,‘ds’])[‘power’].sum()
tmp_df.columns = [‘id_encode’,‘ds’,‘power’]

绘制折线图，查看每个站点的情况如周期性、趋势性、相关性和异常性等。

三、数据清洗

1、将标签由字符串转为0，1；
2、将f3四舍五入取整。

四、特征工程

将“时间”变量转换为datetime格式，然后提取月、日、小时、周等相关特征，主要是为了刻画不同时间阶段可能存在的一致性信息。

五、模型训练与验证

1、K折交叉验证会把样本数据随机的分成K份；
2、每次随机的选择K-1份作为训练集，剩下的1份做验证集；
3、当这一轮完成后，重新随机选择K-1份来训练数据；
4、最后将K折预测结果取平均作为最终提交结果。

六、输出结果

七、小结

时间序列的基本思路如上所示，但是结果不是很理想，需要对数据进行进一步处理，才可能得到更好的结果。