第二名解决方案
各位 Kaggle 友好！
首先，我要感谢 Makridakis 教授、Evangelos Spiliotis、组织团队、慷慨的赞助商以及所有参与举办这场有趣比赛的相关人员。
我还要感谢所有伟大的公共 Kernel 贡献者，他们为我的解决方案和最终排名奠定了基础。没有你们的出色工作，这一切都不可能实现！（请参阅总结末尾的致谢）
1. 在我们开始之前...
整体方法由分组层次结构顶部和底部的两个独立建模流组成，它们通过对齐来获得结果。该方法对于任何给定的时间范围都应是可重现的，并且可以自动化，因此对于任何复杂的分组/层次时间序列问题都很有价值。
2. 起点
为了快速提醒我们的基线是什么，查看这个 Notebook 会很有帮助。很明显，如果我们不能显著击败 0.75，那我们就走错路了。
3. 底层 LGB 模型 - 单个商品被购买的“概率”：
底层基于许多参与者使用的 LGB 模型。（感谢 @kyakovlev - 感谢您在这次挑战中的出色投入）
一个非常重要的方面是，我没有使用任何历史销售数据作为特征（没有滚动均值，没有滞后，没有上次购买等）。
我的假设是，WI_1 商店中购买薄荷糖的驱动因素不是昨天买了一次、周一买了两次，而是价格、日期时间、SNAP（食品援助计划）等。
LGB 模型基于外部驱动因素学习每个商品（数量）在给定商店、给定日期被购买的“概率”。（顺便说一句——向所有阅读我在这里疯狂想法的统计学家致歉）
深入理解这些底层模型将是下一步的重要工作。例如：为什么聚合时误差会如此完美地相互抵消？（我有一个理论，但现在写出来太令人尴尬了——测试后会跟进）
也许我的假设最终被证明是完全错误的，但在经验上，它们在这个给定的数据集上是站得住脚的。
作为旁注：学习率 0.2，3600 次迭代……这个模型的设置非常基础。按商店进行训练。
4.) 正确水平的问题
当遵循这种底层方法时，我们遇到了一个问题。生成的模型不包含任何趋势或季节性。（请参阅评论讨论——这一点是不正确的）
由于其间歇性，我们无法（或者至少我无法）对基础信号进行“去趋势”处理。
也许加入某种滚动/滞后数据可能行得通——但我没有看到一种稳定的方法来实现这一点，既让我能理解或至少相信我理解（有时这并不是一回事:-)），又能让我控制。
这次比赛中很多人选择用“魔法乘数”来解决这个问题。
我用来上下移动水平的是论坛中讨论的自定义损失函数之一。
def custom_asymmetric_train(ypred, ytrue):
y_true = y_true.get_label()
residual = (y_true - y_pred).astype("float")
grad = np.where(residual < 0, -2 * residual, -2 * residual * multiplier)
hess = np.where(residual < 0, 2, 2 * multiplier)
return grad, hess当乘数 > 1 时，我们可以训练模型“超调”真实值；当乘数 < 1 时，我们训练模型“欠调”真实值。我认为损失函数的方法比用乘数移动结果效果更好，但我没有比较这两种方法。
顶层聚合的良好拟合和超调拟合如下所示：