非常激动，这次比赛让我成为了 Kaggle 竞赛专家！感谢主办方举办这场超级有趣的比赛。以下是我的解决方案总结：

RTKLIB 基线

配置

我没有对配置做太多改动，但我确实降低了仰角遮蔽，因为这似乎能改善交叉验证的效果。

基站

我使用了这个 notebook 中的数值——它们应该考虑了板块运动的影响。

后处理

异常值修正

我尝试了几种异常值修正方法。我计算了时间步长之间的纬度和经度变化。如果车辆看起来发生了跳变，就将其标记为异常值，然后对这些异常值进行插值处理。

位置偏移

我的很多提升都来自于位置偏移风格的技术。我创建并使用了该算法的几种变体。这个想法来自去年比赛的这个 notebook。下面的数学公式应该能让你大致了解它是如何工作的。Alpha 是利用真值进行超参数调优得出的。

停止均值

我尝试了很多不同的想法来处理车辆停止的情况；然而，这并没有给我带来太大的提升。我花了很多时间试图让 lgbm 预测速度，然后针对停止进行调整。但是，我没能让它很好地工作。最后我只是使用了找到的一个公开算法，但这并没有显著改善交叉验证效果。

其他

我尝试了很多从去年比赛顶级解决方案中看到的技术，也尝试了很多自己的想法。我在这里就不详细介绍了，如果他们明年决定举办这个比赛，我可能会用到这些。我试图修正车辆转弯时点的误差之类的问题。

超参数调优

在整个过程中，我将结果与真值进行了比较。我从真值中排除了几条路径，特别是有错误的路径（参见 讨论）。

我创建了一个 Pipeline 类，我所有的后处理都遵循相同的格式。因此，这使得使用贝叶斯优化对一切进行超参数调优变得很容易。