非常感谢Kaggle和Godaddy举办这次比赛。祝贺所有获奖者，也感谢创建了许多优秀公开笔记本的朋友们。
以下是我的解决方案：

验证方法

• 使用最近12个月的数据作为验证集
• 为评估解决方案的有效性，我额外计算了12个验证月中"改善月份"的数量（而非简单的平均CV提升）。因为某些月份的增长率（mbd(当前月+1)/mbd(当前月)-1）存在异常高/低的情况，平均CV可能导致过拟合

异常值平滑处理

• 对2022年6月至2022年8月的数据进行均值平滑，处理普遍的急升-急降现象
  
  • 还存在其他类似"原始值→急升→急降→原始值"的数据点，但尚未找到最佳处理方法
• 采用giba提出的基于分数的基本常数平滑
• 对几乎不变的cfips设置稳定黑名单：
  • [28055, 13101, 13265, 31009, 31115, 31149, 38047, 38087, 48033, 48301]

特征工程

• 行动差异、目标平移、目标差异
• 目标差异窗口：
  • 求和
  • 标准差
• 目标窗口：
  • 求和
  • 0.2分位数
  • 0.8分位数
  • 下界：
    • 仅当sign(0.2分位数)=sign(0.8分位数)时有值，其他情况为0
    • 负值时取0.8分位数
    • 正值时取0.2分位数
• 州集群

增强建模框架

构建增强模型框架，输入：1) 特征 2) n_cross：需预测的未来月份数，输出：未来n_cross个月mbd的增长率。通过调整n_cross从1-5，可直接预测公开/私有mbd。
详细结构：

• 增强框架特征 = 基础特征 + n_cross
• n_cross = 预测未来mbd的月份数
• 输出目标：[mbd(当前月+n_cross)/mbd(当前月)]**(1/n_cross)-1
• 模型：Xgboost

目标扁平化：使用扁平化目标训练并在预测时进行逆变换

• 目标变量的分布随活跃基数变化而变化。活跃基数越低，目标的绝对值越高。
  
• 通过模拟将所有活跃基数转换为相同的目标分布。假设转换后分布将变扁平，据此构建转换公式：
  • coef=(1/(0.007*(active_series/10+105))+1)
  • target_flatten=target_series/coef
• 使用扁平化目标训练模型，预测时进行逆变换

后处理

• 我注意到公开排行榜月份的趋势异常高于正常月份。这种现象也出现在其他月份（如2022年7月）。我认为这种整体月份趋势不可预测，模型不应过拟合它。
• 考虑到公开月份的mbd是后续私有月份的基础，我对预测结果进行如下后处理：
  prediction=prediction*(1+0.001)