Public 1125 → Private 48 解决方案

以下是对预测有帮助的方法：

异常值平滑

系数调整 + 求近似值

active：该县微型企业的原始数量。预测目标为人口密度 = active / 人口。人口统计数据每年一月发生变化。竞赛要求预测 2023 年的人口密度，而人口密度的分母（人口）已发生变化。基于现有数据，使用公式（2023 年预测值 × 2020 年人口） ÷ 2021 年人口估算人口趋势变化系数，并用该系数修正预测值。由于分子 active 本为整数，预测值乘以人口后通常为连续值（如 1.3），而实际值可能为整数 1，因此取整有助于提高精度。系数修正后的预测值应乘以 2021 年人口，取整后再除以 2021 年人口，进行进一步修正。

最优 shift time = 12

创建过去 12 个月的滞后特征。若使用 24 或 6 个月，效果会变差，尤其是 24 个月。

state 和 county 字段采用 label encoding，并加入 cfips 字段（相当于 state + county），这些对预测结果都有帮助。

rate of change 效果更好

对于预测 n + gap 的任务，将原本要预测的密度连续值改为当前值与 gap 个月前的增长值。

对原始密度连续值创建滞后特征，再对该增长值创建滞后特征，可提升预测精度。将密度目标值转换为增长值后，LightGBM 和 XGBoost 模型需将默认的 objective 参数改为 pseudo huber loss 作为优化指标。