第27名解决方案

我基于@tubotubo的源代码实现了这个解决方案。感谢分享！

输入特征

• anglez（归一化）
• enmo（归一化）
• hour_sin
• hour_cos
• minute_sin
• minute_cos

模型结构

损失函数

• 清醒状态 (awake):
  • 二元交叉熵损失 (BCEWithLogitsLoss)
• 入睡时刻 (onset) 和醒来时刻 (wakeup):
  • 二元交叉熵损失 (BCEWithLogitsLoss)
• 总损失: 总损失 = (清醒损失) × 0.12 + (入睡/醒来损失) × 0.88

数据增强

• 高斯噪声:
  • 最小幅度: 0.01
  • 最大幅度: 0.1
• Zebra Mixup

编码器结构对比

2CNN+时间特征嵌入模型

• anglez 和 enmo 分别输入到独立的 CNN 特征提取器
• 月份、小时和分钟作为分类变量输入
• 时间特征通过嵌入层转换为向量，与编码器输出拼接后输入解码器

month = self.month_embedding(month) # (batch_size, 4, n_timesteps)
hour = self.hour_embedding(hour) # (batch_size, 8, n_timesteps)
minute = self.minute_embedding(minute) # (batch_size, 16, n_timesteps)
x = x[:, 3:, :] # (batch_size, n_channels, n_timesteps)
x1 = self.feature_extractor1(x[:, :x.shape[1]//2, :])  # (batch_size, n_kernel, height, n_timesteps)
x2 = self.feature_extractor2(x[:, x.shape[1]//2:, :])  # (batch_size, n_kernel, height, n_timesteps)
x = torch.cat([x1, x2], dim=2) # (batch_size, n_kernel, height*2, n_timesteps)

x = self.encoder(x).squeeze(1)  # (batch_size, height, n_timesteps)
x = torch.cat([x, month, hour, minute], dim=1) # (batch_size, height+28, n_timesteps)
logits = self.decoder(x)  # (batch_size, n_timesteps, n_classes)

后处理

• 使用 scipy.signal 的 find_peaks 函数检测峰值（集成后执行）
  • 峰值高度阈值设为最小值 0.003
  • 峰值间距通过 Optuna 优化
• 重叠推理策略

模型集成

• 集成方案: 4折交叉验证 × 6个模型
• 集成方法: 加权输出热图集成
  • 权重通过 Optuna 优化
  • 简单平均集成 CV 分数: 0.795
  • 加权平均集成 CV 分数: 0.7981
    • 公开榜分数: 0.753
    • 私有榜分数: 0.809