天池-AI earth人工智能创新挑战赛第4名方案和代码
原文发表于：数据竞赛：厄尔尼诺预测第5名方案和代码
欢迎关注微信公众号：YueTan
image
背景
照例先感谢国家，国家提倡就地过年、没让回家，只好找个有意思的事情、才找了这个比赛做的。过年期间就是一边循环播放三体、一拳超人、赌博默示录，另一边就一直做比赛，大概累计出门了两次。年夜饭：
image
对于下一次认真参加的比赛，想找个能稳定线下验证的。认真参加了两个比赛，都抖，反而靠运气连拿两个奖杯，终究不是长久之计啊。
Roadmap
小故事：大年初一那天，开始第一次尝试提交，当天还在论坛里写了一篇docker提交错误的总结和应对，那篇帖子的最后我说接下来去研究时间序列模型了，给了两个参考链接就有我最终使用的模型，当时的我真的没有想到，其中的一个模型竟然那么有用。
image
- 方案一：使用24个LightGBM模型来分别预测未来24个月的指数。A榜最高分数: -20
- 方案二：时空预测模型，应用ConvLSTM等时空信息，依据空间和时间信息来预测未来，主要就是在baseline基础上进一步优化。A榜最高分数：32
- 方案三：时间序列模型，利用dynamic decoding的方式分别预测24个月的值。A榜最高分数：39，B榜第一次提交时的分数41.97，最后排行榜可以排第8，优化后的最终方案也就是最终成绩排第5
方案介绍
答辩现场听下来，我的模型是最简单的，用简单模型大概是我做数据挖掘留下的职业病。线上训练加预测只有半小时，应该也是最快的。嘛时候能做到最简单、最快、效果还最好才是最终目标。
image
数据上主要有效的操作一个是采样，一个是截断。很遗憾的是虽然我很喜欢PPT上说为什么进行这个采样频率，但实际我是先做了采样，后面在写PPT的时候才想起来把这两件事关联起来的，算是一个构造的故事。
image
image
特征主要来自气象和时间特征，PPT上很清楚了，也可以看代码。
image
月份信息对于预测很关键，可以看出每个月指标增加或减小的分布并不相同。dynamic decoding的方式有用的关键一环也可能是可以加入月份信息。
image
image
我对于数据的选取其实不够robust，但A榜和B榜本身却很稳定，可能是运气好吧。以前学力学的时候，一个俄国人开创了一门新的分支，关于稳定平衡与不稳定平衡的研究，我觉得自己这里就不稳定。发生在这个比赛里，我是不相信每次我初始选择的几个参数恰好就是局部最优的，但关于数据的选取上，不管增大或减小都会降分。
image
答辩完，和大家吃了个饭就去玄武湖公园了，划了一个小时船后火车回了。
未解之谜
数据是一个实验学科，还是应该多尝试的。中间我想尝试teacher forcing和sample scheduling的时候，只尝试了teacher forcing后降分了，就没尝试sample scheduling了，从几个队伍的表现来看这个是有用的。另外我对框架从pytorch换成tensorflow这个降分点，一直没弄明白。
最后：
代码开源如下：https://github.com/LongxingTan/Data-competitions/tree/master/tianchi-enso-prediction
后记：
发现了我前面有人作弊，一下损失好多钱：https://www.zhihu.com/question/4357
