datawhale AI夏令营AI+经济task3

Task3：进阶上分方向讨论

特征工程详细解析

特征工程是机器学习预处理过程的核心部分，关注从原始数据中提取和构建新特征以优化模型的表现。其核心目的在于通过精心选择和创新性构建特征，从而让模型更有效地解析数据并准确预测目标变量。

时间序列特征构造详解

时间序列数据的特征构造尤为关键，因为这直接关系到模型的预测能力。以下是几种高效的特征提取方法：

1. 时间戳特征：从时间戳中细化提取年、月、日等信息。
2. 历史信息特征：例如，计算过去n期的同一日期的数据均值和标准差。
3. 滞后特征：数据的时间平移，如使用上周同一时间的数据作参考。
4. 滑窗特征：计算过去一定周期（如7天、14天等）的统计量，包括均值、最大值、最小值等。
5. 周期性特征：利用三角函数将时间戳映射为周期性数值。
6. 异常值特征：基于统计原理（如3σ原则）检测并利用异常值。
7. 节假日及外部数据：将公共假期和其他外部事件作为模型输入。

时间序列预测的深度分析

时间序列预测的成功依赖于精确而有力的特征提取：

• 周期性和趋势性识别：通过分析周期性和趋势性，模型可以捕捉到数据的内在规律。
• 时间差特征：特定日期（如节假日、促销日）到当前日期的距离，有助于模型评估时间效应。
• 组合时间特征：将不同时间单位组合（如月-日，年-周）提供更多上下文。
• 特殊日期处理：特殊事件带来的数据波动，需要模型特别识别和学习。

时间序列挖掘 时间特征： 根据之前的分析，具体会挖掘以下特征： 根据月份信息，判断是否为风季（1-5月和9-12月） 根据小时信息，判断是否为低谷时段（10-15点） 判断训练数据的索引是否在春节日期列表中 断训练数据的索引是否在劳动节日期列表中 这是因为，基于季节、时间的天气变化会影响光伏发电的发电量， 进而使火力发电有更好，或者更差的市场需求。 而节假日期间，火力发电往往会产生负电价，在五一、春节期间 尤为明显。 总体而言，是为了找出对结果有显著影响的特征， 为此，还会构筑更多特征，例如demand的滞后特征，差分特征，百分比特征等。 考虑到新能源，即光伏发电会在未来占据更多市场，还会对结果进行整体缩放。 ABM报价策略优化 报价机制: 在Task2中我们分析过，实际上的报价会根据现实情况进行变动，而非不变的。 分析总结下来，市场需求低的时候，机组会降低报价，避免无法中标； 而市场需求高的时候，机组会提高报价，以求得到更高收益。 强化学习 强化学习的几个要素包括状态、动作、奖励和策略。其中，对于这个题目而言，状态空间连续，动作主要是出价的方式。这里想要训练一个好的强化学习模型，更重要的是设计好的奖励函数和策略，使得每一次训练的出价策略能够有恰到好处的收益。这需要一定的实践经验。 在一个强化学习环境里面，智能体的目的就是选取一系列的动作来最大化奖励，所以这些选取的动作必须有长期的影响。也就是说，智能体在决策中的每一步累计起来，最后形成了交易中的好结果与坏结果，这是个序列决策。整个决策的状态本质上是一个关于其历史的函数。

特征优化策略

在此阶段，重点是构建如下几类特征以提高预测精度：

• 历史平移特征：利用过去阶段的数据来预测未来。
• 差分特征：分析相邻时间点之间的变化，捕捉趋势和周期性。
• 窗口统计特征：基于不同窗口期的统计数据，如均值、方差等，反映最近的数据趋势。

未来方向与总结

时间序列预测领域正在迅速发展，我们期待未来在模型结构、数据融合、模型解释性等方面的进一步优化。特别是深度学习技术，如长短期记忆网络（LSTM）及其变种，已经在众多应用场景中展现出卓越性能。