我们团队都是数据挖掘新手，本次是我参加的第三个大数据比赛，也是第二次在Datafountain平台上获奖（感谢平台..）。这里做一些赛后分享主要面向数据挖掘新手，老鸟轻喷。本次赛题是时序回归预测的赛题，这样的比赛通常有几个大的思路：
1）深度学习模型：LSTM等适合时序预测的变种模型
2）集成树模型：滑动窗口提取特征构建LGB等集成树模型
3）同时涉及时空数据也常有图神经网络来做的，不过这道题的空间信息不太好抽取
4）差分移动平均等一些统计规则模型，在预测数据处于波动区间时往往收益较高，也可以快速提统一个基线方便模型参考

一、赛题解读

原赛题地址：https://www.datafountain.cn/competitions/428/
赛题选取北京市100个不同类别的重点区域，提供各区域历史多天分小时人群密度数据。同时，提供北京六环内历史多天分小时的网格（200*200）人群密度、北京市迁入和迁出指数、网格间联系强度指数。参赛者需要根据这些已知数据，结合自己从互联网上获取的其他任何数据，来预测接下来每天分小时北京市重点区域的人群密度。
这是一道时间序列预测问题，难点在于预测时间跨度长并且由于预测时间处于疫情期间，所以数据波动大，很难训练出一个稳定的模型。
比赛的评价指标采用的是1/（1+RMSE），注意到采用RMSE作为评价指标，那么结果中的较大值对于预测结果的影响会更大，那么对于预测结果中的较大人流量区域（机场等）我们就需要重点关注。

二、初步分析

在人流量指数数据表中为北京各个区域每小时的人流量指数,选择某个细分并对其可视化,如图2.1所示,虽然每天的人数波动明显,但是具有明显的周期性特征。如图2.2所示,在两年中各个省份下每个天的人流量变化趋于平稳。每天中凌晨3/4点是最少的，然后逐渐上升的趋势在15/16点是达到高峰期，然后又下降。

再细化到某一地区的人流量图，从图中可以明显看到1月23日后人流量开始显著的下降，这也和疫情大面积散开的时间相符合。并且整体的趋势是下降的。

同时注意到，在1月27号前是离京高峰，之后趋于平稳，这部分波动数据影响较大，在建模时应考虑去掉或者做以区别。

另外我们通过进一步可视化可以进一步发现，不同地区人群密度，在一天的时间内变化规律较为明显，存在一个天的周期性。

不同地区的人群密度变化趋势明显不同，但主要呈现出一直下降或是持续下降后上升两种趋势，但都远不能达到离京高峰期的密度。

三、模型建立

1）统计规则模型

获取历史周期的平均人群流量密度和最近人群流量密度加权合并，分别乘以周期整体趋势和同比趋势，并将趋势变化过大的进行平滑（平方根处理），整体轻微上浮修正，最终结果以不同权重合并以此获得人群密度的平稳周期变化。

2）LGB模型

树模型方面，我们主要使用了两种建模方案：

• 从环比同比出发挖掘有效特征，采用机器学习模型一次性预测
• 从实际业务场景出发挖掘有效特征，采用机器学习模型逐天预测

数据划分分别对应如下：

我们一共在北京市重点区域人流量指数、重点区域人流量情况、北京市迁徙指数、北京市分网格人流量指数四个表上进行了特征提取。

以及为了让模型更能拟合未来数据（疫情前后不稳定），可以进一步将结果可视化进一步分析未来趋势。

最后对两种模型进行加权融合，再与队友的模型融合，不过我和队友之间的模型差异度不高，收益一般，融合前后都是线上第三的成绩。

由于时间原因，我们并没有尝试深度学习方面的探索，以及空间信息上面的特征整合工作还没能深入，这些都是一些需要改进的地方。