Private 第6名 Public 第4名 方案分享

首先，我要感谢国家地球物理与火山学研究所和 Kaggle 举办这次比赛。我学到了很多东西。祝贺获胜者和所有参与者。

源代码可以在我的 github 上找到：https://github.com/Haha89/INGV-eruption-prediction

我的方案灵感来自这个 notebook https://www.kaggle.com/dkaraflos/1-geomean-nn-and-6featlgbm-2-259-private-lb，主要处理地震预测问题。

工作流程分为以下几个部分：

• 特征工程
• 模型介绍

特征工程

目的是增加关于时间序列的信息以对其进行表征。下面的列表并不详尽，但我为 10 个分段中的每一个都计算了以下特征：

• 时间特征：
  均值、方差、振幅、分位数、滚动梯度振幅、峰值数量（使用 tsfresh）、自相关、过零率。
• 频域特征：傅里叶变换的实部和虚部的均值/方差/振幅。
• 倒谱特征：Mel 频率倒谱系数（20 个系数）。
• 频谱特征：频谱对比度（spectral_contrast，7 个系数）。

所有这些特征都是针对每个传感器计算的（缺失值设置为 -1），并保存在本地 csv 文件中（训练集 + 测试集运行时间为 90 分钟）。

深度学习模型

我使用的模型包含一个 LSTM 层，后面跟着 3 个 Conv1D 层（参数分别为 128, 84, 64）。然后通过展平操作将数据送入 3 个全连接层（大小分别为 64, 32 和 1）。仅使用 ReLu 激活函数。

优化器是 Nadam，学习率为 5e-3，损失函数为 MAE。

最终提交的结果是对在训练集子集上训练的 8 个模型进行平均得到的。

希望这个总结有用，如果你想了解更多信息，请在下方评论。

Alex