第7名方案
首先，我要感谢主办方组织了如此精彩的比赛。我也想借此机会感谢所有在比赛期间辛勤付出的优秀队友（@mmotoki, @ryches, @takoihiraokazu, @masatomatsui）。最后，我要祝贺 @mmotoki 凭借这枚奖牌晋升为 Grandmaster。恭喜！我就像自己获奖一样高兴！
这是我们团队的解决方案。祝大家阅读愉快！
快速摘要
我们的解决方案与我们排名相近的一些团队比较相似。我们的最终提交结果是基于LSTM和LGBM模型的融合，这些模型通过重复伪标签和后处理进行训练。在这里，我们简要描述了一些对我们有效的想法，并粗略估计了我们从中获得的收益。
预处理
- Wi-Fi步骤的坐标线性插值。
- 使用 Jiwei的《使用DASK修复测试数据的时间戳》 修复时间戳。
模型
楼层模型
我们使用了受 Nigel的《99%准确率楼层模型》公开笔记本 启发的MLP。该思路类似于目标编码，即每个bssid被映射到其观测到最大rssi的楼层。MLP通过以下方式推广了这一方法：使用硬楼层估计（如前所述）、通过bssid楼层的加权平均得出的软楼层估计（权重来自rssi的softmax）、学习到的bssid嵌入以及从信标测量（例如rssi, last_seen）得出的信标权重。我们的模型更改了公开笔记本预测的11条路径的楼层预测。我们的模型在公开和私有测试集上均达到了100%的预测准确率。
相对位置模型
我们使用WaveNet模型来预测两个航路点之间的相对位置。
输入是12个传感器数据（加速度计、陀螺仪、ahrs和磁力计）。该模型的平均定位误差为1.68米，而主办方的“compute_rel_positions”代码的平均误差为2.84米。
位置模型
- LGBM - 该模型基于 BIZEN的公开笔记本。基础的LGBM模型效果一般，但在使用伪标签时效果特别好。
- LSTM - 我们的LSTM模型使用了 Kouki的《使用统一Wi-Fi特征的Keras LSTM》笔记本 中的特征，以及额外的特征，包括由主办方“compute_rel_positions”计算的x,y增量。输入序列的长度为2*n+1（目标预测点前后各n个）。我们使用设备ID连接训练和测试路径，并创建输入序列。我们的最终提交使用了两个略有变体的平均值，后处理前的分数为公开榜：4.6，私有榜：4.9。平均我们两个LSTM模型的原始预测（无伪标签）使误差减少了约0.1（公开榜：4.5，私有榜：4.8）。
后处理
像大多数其他团队一样，这一步对我们来说非常重要。我们使用了许多公开分享的想法，并做了一些修改和额外的步骤：