Datawhale学习笔记AI +新能源：电动汽车充电站充电量预测

赛题介绍

建立站点充电量预测模型，根据充电站的相关信息和历史电量数据，准确预测未来某段时间内充电站的充电量需求。

在赛题数据中，我们提供了电动汽车充电站的场站编号、位置信息、历史电量等基本信息。我们鼓励参赛选手在已有数据的基础上补充或构造额外的特征，以获得更好的预测性能

赛题任务

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），属于典型的回归问题。

数据集

本赛题提供的数据集包含三张数据表。

其中，power_forecast_history.csv 为站点运营数据，power.csv为站点充电量数据，stub_info.csv为站点静态数据，训练集为历史一年的数据，测试集为未来一周的数据。

以下是本次赛题数据集的字段说明：

数据集下载

评估指标

评估指标：RMSE（均方根误差）

均方根误差是预测值与真实值偏差的平方与观测次数n比值的平方根。

衡量的是预测值与真实值之间的偏差，并且对数据中的异常值较为敏感，受异常值的影响更大，所以要想好如何处理异常值上分。

常用于评测回归任务，常用来作为机器学习模型预测结果衡量的标准。
与MSE的区别

MSE是真实值与预测值的差值的平方然后求和平均。通过平方的形式便于求导，所以常被用作线性回归的损失函数。

MAE对异常值不敏感，但它不能反映预测误差的分布情况。

RMSE放大了较大误差之间的差距，此外，RMSE计算后的结果与实际值的单位相同，而MSE的结果是实际值单位的平方。因此，如果我们要直观地了解模型的预测误差，通常会使用RMSE作为指标。

提交示例

过拟合与欠拟合

第一个欠拟合，第二个正常，第三个过拟合
欠拟合 ：欠拟合是指模型不能在训练集上获得足够低的误差。换句换说，就是模型复杂度低，模型在训练集上就表现很差，没法学习到数据背后的规律。
如何解决欠拟合？

欠拟合基本上都会发生在训练刚开始的时候，经过不断训练之后欠拟合应该不怎么考虑了。但是如果真的还是存在的话，可以通过增加网络复杂度或者在模型中增加特征，这些都是很好解决欠拟合的方法。
过拟合 ：过拟合是指训练误差和测试误差之间的差距太大。换句换说，就是模型复杂度高于实际问题，模型在训练集上表现很好，但在测试集上却表现很差。模型对训练集"死记硬背"（记住了不适用于测试集的训练集性质或特点），没有理解数据背后的规律，泛化能力差

为什么会出现过拟合现象？

造成原因主要有以下几种：

• 训练数据集样本单一，样本不足。如果训练样本只有负样本，然后那生成的模型去预测正样本，这肯定预测不准。所以训练样本要尽可能的全面，覆盖所有的数据类型。
• 训练数据中噪声干扰过大。噪声指训练数据中的干扰数据。过多的干扰会导致记录了很多噪声特征，忽略了真实输入和输出之间的关系。
• 模型过于复杂。模型太复杂，已经能够"死记硬背"记下了训练数据的信息，但是遇到没有见过的数据的时候不能够变通，泛化能力太差。我们希望模型对不同的模型都有稳定的输出。模型太复杂是过拟合的重要因素。

如何解决过拟合？

要想解决过拟合问题，就要显著减少测试误差而不过度增加训练误差，从而提高模型的泛化能力。我们可以使用正则化（Regularization）方法。

常用的正则化方法根据具体的使用策略不同可分为：（1）直接提供正则化约束的参数正则化方法，如L1/L2正则化；（2）通过工程上的技巧来实现更低泛化误差的方法，如提前终止(Early stopping)和Dropout；（3）不直接提供约束的隐式正则化方法，如数据增强等。
正常拟合 ：模型的正常拟合是指训练得到的模型，可以从训练数据集上学习得到了泛化能力强、预测误差小的模型，同时该模型还可以针对待测试的数据进行良好的预测，获得令人满意的预测效果。

三种情况在训练数据集上的预测误差的表现形式为：欠拟合>正常拟合>过拟合；而在测试集上的预测误差形式为：欠拟合>过拟合>正常拟合。

所以下面这张也是第一个欠拟合，第二个正常拟合，第三个过拟合

在机器学习中，以下哪些技术是数据清洗的相关技术？

A去除重复数据

B处理缺失数据

C异常值处理

D数据标准化/归一化

数据清洗是将重复、多余的数据筛选清除，将缺失的数据补充完整，将错误的数据纠正或者删除，最后整理成为我们可以进一步加工、使用的数据。

数据清洗的一般步骤：分析数据、缺失值处理、异常值处理、去重处理、噪音数据处理。在大数据生态圈，有很多来源的数据ETL工具，但是对于公司内部来说，稳定性、安全性和成本都是必须考虑的。

baseline解读

对于常见的时序问题，我们可以采用历史平移、滑窗统计，尽可能的提取时间特征等方法进行特征工程。

增加工作日非工作日特征

df['weekday'] = df_copy[col].dt.weekday
df['is_weekend'] = df['weekday'].isin([5, 6]).astype(int)
df['is_workday'] = (df['weekday'] < 5).astype(int)

增加小时，分钟特征

df_copy[prefix + 'hour'] = df_copy[col].dt.hour
df_copy[prefix + 'minute'] = df_copy[col].dt.minute

相对时间差特征

df['diff_from_start'] = (df_copy[col] - df_copy[col].iloc[0]).dt.days
df['diff_to_end'] = (df_copy[col].iloc[-1] - df_copy[col]).dt.days

构建了历史平移特征、差分特征、和窗口统计特征

（1）历史平移特征：通过历史平移获取上个阶段的信息；

（2）差分特征：可以帮助获取相邻阶段的增长差异，描述数据的涨减变化情况。在此基础上还可以构建相邻数据比值变化、二阶差分等；

（3）窗口统计特征：窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。

# 合并训练数据和测试数据
df = pd.concat([train_df, test_df], axis=0).reset_index(drop=True)

# 历史平移
for i in range(7,36):
    df[f'power_shift{i}'] = df.groupby('id_encode')['power'].shift(i)
    window_size = 7


# 历史平移 + 差分特征
for i in range(1,4):
    df[f'power_shift7_diff{i}'] = df.groupby('id_encode')['power_shift7'].diff(i)
    
# 窗口统计
for win in [7,14,28,35,50,70]:
    df[f'power_win{win}_mean'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').mean().values
    df[f'power_win{win}_median'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').median().values
    df[f'power_win{win}_max'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').max().values
    df[f'power_win{win}_min'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').min().values
    df[f'power_win{win}_std'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').std().values

# 历史平移 + 窗口统计
for win in [7,14,28,35,50,70]:
    df[f'power_shift7_win{win}_mean'] = df.groupby('id_encode')['power_shift7'].rolling(window=win, min_periods=3, closed='left').mean().values
    df[f'power_win{win}_median'] = df.groupby('id_encode')['power'].rolling(window=win, min_periods=3, closed='left').median().values
    df[f'power_shift7_win{win}_max'] = df.groupby('id_encode')['power_shift7'].rolling(window=win, min_periods=3, closed='left').max().values
    df[f'power_shift7_win{win}_min'] = df.groupby('id_encode')['power_shift7'].rolling(window=win, min_periods=3, closed='left').min().values
    df[f'power_shift7_win{win}_sum'] = df.groupby('id_encode')['power_shift7'].rolling(window=win, min_periods=3, closed='left').sum().values
    df[f'power_shift7_win{win}_std'] = df.groupby('id_encode')['power_shift7'].rolling(window=win, min_periods=3, closed='left').std().values

lgbm参数详解

# 定义lightgbm参数
        params = {
            'boosting_type': 'gbdt',#提升树的类型。值为 'gbdt' 表示梯度提升决策树
            'objective': 'regression',#损失函数。这里是回归问题，所以选用回归损失函数，即 'regression'。
            'metric': 'rmse',#评价指标。衡量模型性能的指标，这里使用均方根误差（RMSE）作为评价指标。
            'min_child_weight': 5,#一个叶子节点最小的样本权重和。用来控制过拟合。如果这个值过高，则会导致欠拟合，反之则会导致过拟合。
            'num_leaves': 2 ** 5,#决策树上的叶子节点数。这个参数通常比较敏感，其值越大，模型越复杂，容易过拟合。
            'lambda_l2': 10,#L2 正则化系数。增加这个值可以减少模型的复杂度，防止过拟合。
            'feature_fraction': 0.8,#训练每棵树时，使用的特征比例。设置该参数可以防止过拟合，提高模型的泛化能力。
            'bagging_fraction': 0.8,#构造每棵树所使用的数据比例，通常选取比较小的值，和 feature_fraction 一起使用，可以控制模型的复杂度。
            'bagging_freq': 4,#执行 bagging 操作的频率。设置为 0 表示不使用 bagging 操作。
            'learning_rate': 0.05,#学习率。控制每次迭代调整的步长。如果设置的学习率过大，则可能无法收敛，如果设置的学习率过小，则可能需要较长时间才能得到最终结果。
            'seed': 2023,#随机种子。设定一个随机种子，可以保证结果的可重复性。
            'nthread' : 16,#线程数。LGBM 中多线程并行计算提高了训练速度，该参数用来指定线程数。
            'verbose' : -1,#是否打印调试信息。设置为 -1 时不打印任何信息。
            # 'device':'gpu'
        }

lgbm参数详解

pandas_profiling简介

python库：pandas_profiling，这个库只需要一行代码就可以生成数据EDA报告。

基于pandas的DataFrame数据类型，可以简单快速地进行探索性数据分析

对于数据集的每一列，pandas_profiling会提供以下统计信息：

1、概要：数据类型，唯一值，缺失值，内存大小

2、分位数统计：最小值、最大值、中位数、Q1、Q3、最大值，值域，四分位

3、描述性统计：均值、众数、标准差、绝对中位差、变异系数、峰值、偏度系数

4、最频繁出现的值，直方图/柱状图

5、相关性分析可视化：突出强相关的变量，Spearman, Pearson矩阵相关性色阶图

并且这个报告可以导出为HTML，非常方便查看。对不太熟悉python数据分析的新手来说十分友好。

安装：

pip install pandas-profiling

使用pandas_profiling生成数据探索报告：

report = pp.ProfileReport(data)
report

导出为html文件

report.to_file('report.html')

"H3" 是一个用于地理空间索引和网格系统的开源库。它将地球表面划分为一系列分辨率逐渐变粗的六边形单元格，每个单元格都有唯一的标识符，称为 H3 地址。H3 地址可以表示不同级别的地理区域，例如国家、城市、街区等。

要将 H3 地址转换为地理坐标（经度和纬度），可以使用 H3 库中的函数

安装

pip install h3-python

示例代码

import h3

h3_address = '8928308280fffff'  # 示例 H3 地址

coordinates = h3.h3_to_geo(h3_address)

latitude = coordinates[0]
longitude = coordinates[1]

print("Latitude:", latitude)
print("Longitude:", longitude)

数据探索

fromDatawhale直播一禧助教

df['new_date'] = pd.to_datetime(df['ds']* 100 + df['ds_hour'].astype(int), format='%Y%m%d%H')
df['ds_date'] = df['new_date'].dt.date

############################ 绘图函数
def my_plot(df, id_encode, start_date, end_date, groupby, predict=False): 
    # 绘制折线图
    fig = plt.figure(figsize=(20,10))
    df = df.loc[(df['ds'] >= start_date) & (df['ds'] <= end_date)]
    if id_encode > -1:
        df = df.loc[df['id_encode'] == id_encode]
    else:
        pass
    if groupby == 'hour':
        plt.plot(df['new_date'], df['power'], color = 'blue')
        if predict == True:
            plt.plot(df['new_date'], df['power_pre'], color = 'red')
        try:
            plt.plot(df['new_date'], df['temp_max'], color = 'brown')
            plt.plot(df['new_date'], df['temp_min'], color = 'green')
        except:
            pass
    elif groupby == 'day':
        df_power = df.groupby(by = 'ds_date')['power'].sum().reset_index()
        plt.plot(df_power['ds_date'], df_power['power'], color = 'blue')
        if predict == True:
            df_power_pre = df.groupby(by = 'ds_date')['power_pre'].sum().reset_index()
            plt.plot(df_power_pre['ds_date'], df_power_pre['power_pre'], color = 'red')
            
    # 添加标题和轴标签
    plt.title('Power vs Date')
    plt.xlabel('Date')
    plt.ylabel('Power')

    # 显示图形
    plt.show()

我这里按照助教说的画了两个图

my_plot(df, id_encode=-1, start_date=20220401, end_date=20230610, groupby='day')

202301应该是春节期间大年30大家都回乡下城市的充电量下降

my_plot(df, id_encode=-1, start_date=20230301, end_date=20230610, groupby='day')

20230322是因为寒潮所以有所下降

然后助教还说了可以将h3转换为经纬度，但因为我这边不太懂暂时还没有尝试这种方法

我这边使用sklearn库中的LabelEncoder类来对数据进行标签编码（Label Encoding）操作

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
train_df['h3'] = le.fit_transform(train_df['h3'])
test_df['h3'] = le.fit_transform(test_df['h3'])

但是似乎效果不是特别好