GoDaddy - 微型企业密度预测

该解决方案是3个月前提交的，如有遗漏，请告知。

比赛的目标是预测美国3315个县（County FIPS）的月度微型企业密度。代码实现结合了多个特殊特性和技术以提高预测精度。

方法

1. 预测3315个时间序列

该方法单独预测每个3315个县的微型企业密度。这使得预测能够针对特定区域进行细化，更加准确。

2. 技术指标

代码使用了流行的技术指标，如指数移动平均线 (EMA)、动量 (MOM)和相对强弱指数 (RSI)。这些指标捕捉潜在趋势、动量和市场状况，增强模型的预测能力。

3. 外部数据集

除了微型企业密度数据外，模型还结合了多个外部数据集。这些数据集包括失业数据、收益、租金、DSG10、税率、房价和人口估计等信息。通过整合这些相关外部因素，模型能够捕捉更广泛的经济和人口因素对微型企业密度的影响。

4. 使用Optuna进行超参数优化

Optuna用于在Catboost模型中最小化SMAPE。

5. 使用交叉验证的Catboost模型

代码采用了Catboost模型，并使用交叉验证 (CV)来确保模型能很好地泛化到未见数据。

6. 多模型训练

为了预测多个未来时间段，训练了五个独立模型。每个模型针对特定的时间范围进行预测，如t+1个月、t+2个月等。

7. 添加外部数据集

代码"6-external-datasets.ipynb"可在Kaggle上找到，用于将额外外部数据集整合到预测模型中。

局限性

• 有限的历史数据：当前方法仅使用过去三个月的数据来预测未来微型企业密度。探索更长时间的历史数据可能提供更多上下文，并潜在地提高预测准确性。

代码文件

• 6-external-datasets.ipynb：向预测模型添加额外外部数据集。可在Kaggle上找到，旨在增强特征集。

• kaggle_competition_microbusiness.ipynb：包含微型企业密度预测的完整模型训练代码。涵盖数据预处理、使用Catboost和Optuna进行模型训练，以及使用SMAPE进行评估。

表示支持

如果您觉得此代码实现有价值或有趣，请考虑在GitHub上为其点赞。