第14名：一些发现与解决方案

我要感谢这次伟大比赛的主办方，并祝贺获奖者和所有奖牌获得者！

我认为解决这个问题有很多方法，我正忙着阅读和理解其他参与者令人惊叹的解决方案。

我也写了我的部分解决方案。

1. 发现与预处理

   WiFi 时间戳的数量远多于航点，使用所有 WiFi 数据（对航点数据进行插值）是有效的。

   某些 BSSID 显示出非常高的 RSSI 相关性，去除它们是有效的。

   一个 ibeacon（uuid_major_minor）对应多个 MAC 地址，我们需要使用 MAC 地址而不是 uuid。

2. 模型

   我使用 LGBM 独立预测每个点。

   在这个模型中，训练并预测存在 WiFi 数据的航点，然后通过添加相对位置数据来预测原始航点。

   我同时使用了 WiFi 和 ibeacon 数据。

   我只使用了训练集和测试集中都存在的 BSSID 和 MACADDR。

   这些数据被转换为排名（而不是 rssi 值）。

3. 后处理

   带有泄漏项的成本最小化与吸附到网格。

   在成本最小化中，我在原始成本函数中加入了泄漏项。

   在吸附到网格中，我在选择合适的网格点时考虑了相对位置（来自传感器数据）。

   笔记本已发布在这里。

   就我而言，这种后处理方法大大提高了分数。

4. 集成

   集成了一些模型和后处理结果。

感谢您读到这里。欢迎提问！