Datawhale AI 夏令营：电力需求预测挑战赛笔记 #AI夏令营 #Datawhale #夏令营 #Datawhale AI 夏令营

tag: #AI夏令营 #Datawhale #夏令营 #Datawhale AI 夏令营
Datawhale AI 夏令营：电力需求预测挑战赛
举办方：科大讯飞xDatawhale
一、赛题背景
随着全球经济的快速发展和城市化进程的加速，电力系统面临着越来越大的挑战。电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。
然而，电力需求受到多种因素的影响，为了提高电力需求预测的准确性和可靠性，推动智能电网和可持续能源系统的发展，本场以“电力需求预测”为赛题的数据算法挑战赛。选手需要根据历史数据构建有效的模型，能够准确的预测未来电力需求。

二、赛题任务
给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。

三、评审规则
1.数据说明
赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识，即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。

特征字段 字段描述
id 房屋id
dt 日标识
type 房屋类型
target 实际电力消耗，预测目标
2.评审规则
预测结果以 mean square error 作为评判标准。
3.评测及排行
1）每支团队每天最多提交3次。

2）赛事提供下载数据，选手在本地进行算法调试，在比赛页面提交结果。

3）排行按照得分从低到高排序，排行榜将选择团队的历史最优成绩进行排名。

4）允许使用开源模型，但不允许使用外部数据集。

四、作品提交
1.文件格式：预测结果文件按照.csv格式提交

2.文件大小：无要求

3.提交次数：每支队伍每天最多3次

4.预测结果文件详细说明：

1）以csv格式提交，编码为UTF-8，第一行为表头；

2）提交前请确保预测结果的格式与sample_submit.csv中的格式一致。具体格式如下：

1 id,dt,target

2 00037f39cf,1,0

3 00037f39cf,2,0

4 00037f39cf,3,0

5 ...

赛题任务及研究目的：训练时序预测模型助力电力需求预测。电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。
“Hello world”代码：

1. 导入需要用到的相关库

导入 pandas 库，用于数据处理和分析

import pandas as pd

导入 numpy 库，用于科学计算和多维数组操作

import numpy as np

2. 读取训练集和测试集

使用 read_csv() 函数从文件中读取训练集数据，文件名为 'train.csv'

train = pd.read_csv('train.csv')

使用 read_csv() 函数从文件中读取测试集数据，文件名为 'test.csv'

test = pd.read_csv('test.csv')

3. 计算训练数据最近11-20单位时间内对应id的目标均值

target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()

4. 将target_mean作为测试集结果进行合并

test = test.merge(target_mean, on=['id'], how='left')

5. 保存结果文件到本地

test[['id','dt','target']].to_csv('submit.csv', index=None)

以上Pandas 和 NumPy 是 Python 编程语言 中两个非常重要的库，它们封装了很多函数功能，广泛应用于数据分析和科学计算领域，为我们的代码开发实现提供了便利。

• Pandas 是基于 NumPy 的一个数据分析和操作库，提供了快速、灵活和表达力强的数据结构，旨在使数据清洗和分析工作变得更加简单易行。

• NumPy 提供了多维数组对象、派生对象（如掩码数组和矩阵）以及用于快速操作数组的各种例程，包括数学、逻辑、形状操作、排序、选择、I/O、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。

Pandas 和 NumPy 通常一起使用，因为 Pandas 的设计初衷就是为了与 NumPy 无缝集成，利用 NumPy 的数组结构来提高性能。

以上baseline使用python代码构建了一个经验模型（使用均值作为结果数据）。主要通过了如下几个步骤对数据进行处理：

1. 导入库：首先，代码导入了需要用到的库，包括 pandas（用于数据处理和分析）。

2. 读取数据：代码通过使用 pd.read_csv 函数从文件中读取训练集和测试集数据，并将其存储在 train.csv 和 test.csv 两个数据框中。

3. 计算最近时间的用电均值：计算训练数据最近11-20单位时间内对应id的目标均值，可以用来反映最近的用电情况。

4. 将用电均值直接作为预测结果：这里使用merge函数根据'id'列将test和target_mean两个DataFrame进行左连接，这意味着测试集的所有行都会保留。

5. 保存结果文件到本地：使用to_csv()函数将测试集的'id'、'dt'和'target'列保存为CSV文件，文件名为'submit.csv'。index=None参数表示在保存时不包含行索引。

结果截图：