第10名解决方案

首先，我要向所有参与者和组织者表示感谢。这是一场非常艰苦的比赛，因为我在公开排行榜上的得分并不高，但我对最终的结果感到满意。

特征工程

• enmo
  • 直接使用原始数据
• anglez
  • 使用 anglez.diff().abs()
• 时间编码
  • 将小时归一化到 t=[0,1) 范围内，并使用 sin(2πt) 和 cos(2πt) 作为特征
  • 尝试了更细粒度的周期性编码（如 sin(4πt)、sin(8πt)、cos(4πt)、cos(8πt)），但效果变差
  • 考虑过周和月等特征，但因性能下降而放弃
• 重复数据
  • 识别同一序列中相同时间戳的重复传感器数据
  • 有重复的时间点标记为1，否则为0
• 步数标记
  • 设置从测量开始1小时内和8小时内的标记
  • 因为数据中包含入睡发生在1小时内或醒来发生在8小时内的情况（这些情况实际不存在）

模型

采用如图所示的1D-UNet GRU模型。除enmo和anglez外的特征在GRU层之前加入。使用二元交叉熵损失进行训练。

目标设计

使用基于高斯分布的热图。为了训练稳定性和在较大容差下提升AP（平均精度），采用大sigma的高斯分布是有利的。相反，小sigma的高斯分布会导致训练不稳定，但在小容差下能提升AP。作为折中方案，使用了大sigma和小sigma高斯分布的加权和。

gauss_small_sigma_minute = 2.5
gauss_large_sigma_size = 10
gauss_mix_ratio = 8
gauss_small_sigma_size = minute2step(gauss_small_sigma_minute)
gauss_large_sigma_size = minute2step(gauss_large_sigma_minute)

gauss_large = np.exp(-((x - gauss_center)**2) / (2 * (gauss_large_sigma_size)**2))
gauss_small = np.exp(-((x - gauss_center)**2) / (2 * (gauss_small_sigma_size)**2))

gauss = (gauss_large + gauss_mix_ratio * gauss_small)
gauss /= gauss.max()

训练

• 随机采样12小时数据
• 150个训练周期，使用AdamW优化器
• 在第50个周期后应用SWA（随机权重平均）

推理

• 与训练不同，推理时一次性处理整个序列

集成

整个测试数据集的处理时间（包括数据加载、预处理和后处理）约为18分钟，其中模型推理耗时45秒。

由于公开排行榜分数基于25%的测试数据计算，存在一定波动性，因此决定使用大量模型进行集成学习。最终集成包含120个模型，总处理时间在120分钟内完成。

后处理

在一晚睡眠中检测多个候选点至关重要：

• 使用宽度为11的窗口平滑输出值
• 检测所有大于0.01阈值的局部极大值点作为候选点
• 对剩余时间戳按输出值降序处理：
  • 如果该时间戳与已检测到的任意时间戳相差超过21分钟，则将0.1与输出值的乘积作为候选点