第6名解决方案

整个比赛过程中我非常兴奋，因为这是我第一次进入前10名。

我的解决方案与我见过的大多数方案类似——是RNN和梯度提升模型的集成。

我的方案主要不同之处在于RNN模型的架构。我首先通过一个线性全连接层将每个序列投影到额外的16个维度——因此我的数据维度是 (n, 60, 13, 16)。然后，我对13个序列分别应用了一个包含4个GRU层的独立GRU网络。这阻止了GRU模型过拟合于每个序列之间嘈杂的协变量，并使网络能够更好地收敛。该模型在Private LB（私有排行榜）上的得分为0.9839，在Public LB（公开排行榜）上的得分为0.985。

将该模型与XGBoost、1D卷积神经网络以及公开的LSTM模型进行集成，最终达到了0.98797的Private LB得分。

感谢大家在比赛中提供的所有有趣讨论和想法！