第9名解决方案 higepon

恭喜所有的获奖者！
这是一场极具挑战性的比赛，我从我的队友 @saitodevel01 以及 Kaggle 社区中学到了很多东西。非常感谢大家。

请查看我队友 @saitodevel01 的解决方案 这里。

解决方案

我的模型是基于以下数据的 GRU 和 LSTM 堆叠模型。

关键差异点

• 我们利用主办方提供的 compute_step_postion 函数成功创建了更多的训练数据。
• 我们基于路径点而不是 Wifi 组来创建训练数据。
  • 流行的联合 Wifi 解决方案创建训练集的方式是：
    1. 选取同一时间戳内的 Wifi 组。
    2. 寻找具有最接近时间戳的时间戳。
  • 我们做了一些不同的尝试：
    1. 选取路径点。
    2. 寻找最接近的前 200 个 wifi bssid 及其元数据。
    3. 这只有在拥有来自 compute_step_postion 的更多路径点时才能良好运作。
• 神奇的后处理 由 @saitodevel01 完成。
• 最后，伪标记在本次比赛中对我们非常有效。

队友解决方案链接

• “成本最小化” Notebook 的背景思路 | Kaggle
• 11.从 LB:2.586 进行伪标记与重试 | Kaggle

如果您有任何问题，请告诉我们！