第二名解决方案

感谢主办方举办如此精彩的比赛！
我的最终解决方案可以描述如下：

我的灵感来源于 这里 提出的 Smart PPP 算法。

1. XGBoost 堆叠集成改进基线

   我在这一步花了大约 3 周时间，最初的设想是利用其他设备数据校正基线 PrMs（伪距测量值）。过程虽然曲折，但最终奏效了。每个堆叠集成模型在 GPU 上训练大约需要 5 小时，且很难验证。在我看来，这将基线精度提高了约 10-40 厘米。没有应用进一步的伪距平滑。技术技巧：PrM 的校正量被用作 WLS（加权最小二乘法）算法中的权重。

2. 计算速度

   我花了大约一周时间，利用 PseudorangeRateMetersPerSecond（伪距变化率），将 Google GPS 测量工具中的 WlsPvt.m 从 Matlab 算法翻译成 Python，其平均精度为 0.08Mps。技术技巧：当算法失效时，我使用了我的 notebook 中描述的基线 speedMps（位置偏移）。这大大改善了卡尔曼滤波和“停止均值”技术的结果。

3. ADR 相对位置

   我花了大约一周时间尝试使用 ADR 计算相对位置，但没有成功，因此我使用了 Android GPS 工具公开版本的派生文件。在该软件中处理原始 GNSS 文件花费了大量时间，并且对测试集中的两部手机失败了。技术技巧：一些自动下载的星历文件已损坏，因此手动下载它们并在处理期间关闭互联网是有效的。

4. 移除异常值

   我采用了 @dehokanta 的想法，但进行了升级。技术技巧：如果有两个或更多连续的异常值，则将其移除并进行插值。

5. 混合来自其他设备的信号

   我最开始的提交就是从这里起步的。结果发现中值平均比均值更好，但我最终采用了 这里 找到的想法：描述如下：
   
   技术技巧：所有历元之间的方差非常相似，因此我对信号进行了加窗处理（根据速度类别和区域调整 10-30 个历元）。

6. 停止均值

   仅使用阈值调整约为 0.5-1 的速度 Mps。此时（Xgboost + 后处理：remove_outliers + mixing + kalman + stop），我达到了 Public 3.945 和 Private 2.379 的成绩。

7. 对齐 ADR 形状

   我使用了平均 ADR 位置减去有效周期内的平均位置作为偏移量，并移动了相对位置。技术技巧：该偏移量通过 ADR 不确定性米数进行加权（Public 3.345 Private 1.903）。

8. 对齐真值

   此时，我开始将解决方案对齐到真值（高速阈值 2m，SJC 阈值远大于 2m）。技术技巧：我通过总平均速度 < 6 Mps 来选择 SJC 区域。（最佳 Public 3.159 Private 1.801）。

9. 技术技巧

   joblib + optuna 在几乎所有步骤中都对我非常有用。

总而言之，对我来说，使用 GNSS 将不再一样，因为我开始时完全是个新手 —— 谢谢大家！