【Datawhale手把手带打一场时间序列赛事】任务一学习笔记

一、赛题任务解读

电动汽车充电站充电量预测：赛事链接

1.1任务要求

初赛任务：根据赛题提供的电动汽车充电站多维度脱敏数据，构造合理特征及算法模型，预估站点未来一周每日的充电量。（以天为单位）

1.2数据集介绍

初赛为参赛选手准备的数据字典，具体含义见下图：

其中，power.csv文件为训练集的标签。最终任务即在验证集的数据基础上得到验证集的power.csv文件。再上传至比赛官方得到评分。验证集的数据类别与训练集一致。

注：

（1）h3编码是一种用于分层地理编码的系统，可以将地球划分为不同的六边形网格。选手可以尝试使用 h3 编码来构造与地理位置相关的额外特征。

（2)、脱敏字段，不提供字段业务描述，供选手自由探索。

1.3评估指标

评估指标：RMSE 具体含义见下图：

式中y为第个数据的真实值，y星为第个数据的预测值，n为样本总数。

RMSE作为评估指标的优势：RMSE对预测误差的敏感性很高，它会惩罚大误差，因此能够清晰地显示模型预测与实际观测之间的差异；此外，RMSE的值以与目标变量相同的单位表示，因此易于理解，这有助于解释模型误差的实际影响；最后，MSE是在数学上稳健的评估指标，它涉及误差的平方，有利于数学分析和优化。

 二、时间序列赛事的通用流程及baseline讲解

2.1时间序列赛事的通用流程：

2.1.1数据收集和理解：

• 获取竞赛数据集，了解数据的结构和特征。
• 探索数据，包括查看时间序列的趋势、季节性和周期性，识别异常值和缺失数据。

2.1.2特征工程：

• 对数据进行预处理，包括平滑处理、填补缺失值、处理异常值等。
• 创建相关的特征，例如滞后特征、移动平均特征、时间特征等，以帮助模型更好地捕捉时间序列的模式。

2.1.3拆分数据：

       将数据集分为训练集和验证集，通常使用时间滑窗或交叉验证来确保模型的泛化性能。

2.1.4模型构造：

• 根据问题的性质和数据的特点，选择适当的时间序列模型，如ARIMA、P