第6名方案

第6名方案 (shimacos 部分)

作者: shimacos | 比赛: Google Smartphone Decimeter Challenge

首先，我要感谢主办方组织了这样一场独特的比赛！
在这次比赛中，我成功晋升为 Grand Master（特级大师），我的队友 @fuumin621 也成功晋升为 Master（大师）！

以下是我们简短方案中我负责部分的介绍。
对我们来说，正确使用 AccumulatedDeltaRange（累积距离变化量）并仔细观察数据是非常重要的。

预处理

我使用 LightGBM 根据 IMU 数据和基线数据预测了异常值（与真实值的距离）和速度。
然后，我将高于阈值的异常值替换为 NULL，并在它们之间进行线性插值。

卡尔曼平滑

我应用了两种模式的线性卡尔曼平滑。
一种考虑了速度，另一种考虑了加速度（即 4D 和 6D）。
此外，由于观测值的时间间隔不是恒定的，我在每次更新步骤中替换了状态转移矩阵中的 delta_t。
我尝试过在市区增大观测噪声、预测横摆角速度以及使用非线性卡尔曼滤波，但都没有效果。

AccumulatedDeltaRange (累积距离变化量)

我知道相位观测很重要，所以我尝试利用卫星数据中的 AccumulatedDeltaRange 来改进基线，但由于缺乏相关知识，没有成功……
所以我决定使用 Google 的 GNSS 分析应用。
通过使用这个工具，我能够获得部分数据的 AccumulatedDeltaRange 观测值。
观测数据本身因为包含偏差很难直接使用，但通过取它们之间的差值获得的相对距离非常准确，如下图所示。(delta_adr = ADR(t) - ADR(t-1))

我利用这一点实现了前向 Hatch 滤波器和后向 Hatch 滤波器，并在应用卡尔曼平滑后对它们进行了平均。

    prev_smooth = lat_lngs[0]
    res = [prev_smooth]
    for raw, delta_adr, delta_t in zip(
        lat_lngs[1:, :], delta_adrs[1:, :], delta_ts[1:]
    ):
        if not all(np.isnan(delta_adr)):
            smooth = 1 / M * raw + (M - 1) / M * (
                prev_smooth + delta_adr * delta_t
            )
        else:
            smooth = raw
        prev_smooth = smooth
        res.append(prev_smooth)
   res = np.array(res)

有一个名为 M 的参数，我使用 GroupKFold 针对每个区域对其进行了优化。（在训练数据中找到最小的参数，并在验证数据中进行验证。）
使用这种 Hatch 滤波器进行平滑非常有效。
某些手机的 delta_adr 值有很多缺失，因此我们用其他手机的值填充了它们。

加权手机均值

在应用 Hatch 滤波器后，我使用通过 GroupKFold 优化的手机权重对经度和纬度进行加权平均，就像优化参数 M 一样。
部分 millisSinceGpsEpoch 根据手机的不同有轻微差距，因此我使用线性插值来填充它。

Snap2grid (吸附到网格)

在市区，我使用线性插值的真实值执行了离散优化。
为了防止过拟合，真实值本身不包含在吸附目标中。
目标函数如下，我使用贪婪搜索来寻找最佳路径。

cost = distance2cur + distance2prev * alpha

停留点均值

使用 LightGBM 预测的速度值，我对低于阈值的点取了平均值。

集成

使用各种参数，我对结果取平均，CV 大约为 2.149。
最后，在加入其他成员的模型和后处理后，我们的 CV 达到了 2.0569，LB 达到了 2.285。
在 Private 排行榜阶段，我知道高速公路和树木区域有很大的权重，所以我在决定集成权重

6th Place Solution (shimacos part)