Datawhale 2024 年 AI 夏令营||尝试使用深度学习方案

1.电力需求预测挑战赛

       参赛者将获得多个房屋的历史电力消耗数据，任务是根据这些数据构建模型，准确预测未来电力消耗。这不仅考验参赛者的数据分析能力，也考验其对电力系统运作规律的理解和应用.

2.此次学习的任务

• 尝试构建深度学习模型来解决赛题
• 如何进行时间序列的进阶特征提取与分析
• 如何构建深度学习方案

3.时间序列预测特征提取和分析方法

时间序列分析中特征提取极为重要，影响模型性能。关键特征提取和分析方式包括：

• - 将包含的日期或时间信息，细分为不同尺度并转换为数值型特征。
• - 识别数据的周期性，如一天中的小时、一周中的天数、一年中的月份等，以助模型捕捉内在规律。
• - 用移动平均或线性回归等方法提取趋势性，作为特征输入模型。
• - 计算与特定日期（如产品发布日、重要事件日）的时间差，了解数据点相对位置。
• - 组合不同时间单位（如年和周、月和日）提供丰富时间上下文信息。
• - 识别特殊日期或事件（如节假日、促销活动）作为特征解释数据波动。
• - 正确处理异常点以提高预测精度。
• - 利用时序相关特征，如历史平移（用过去值预测未来值）和滑窗统计（时间窗口内的统计数据）。
• - 识别与目标变量强相关的特征构建预测模型。