阿里大航杯AI电力大赛比赛分享及数加平台，机器学习pai使用经验

1. 背景

    本文以阿里大航杯AI电力大赛为背景，讲述数加平台及机器学习pai的使用。大赛聚焦电力市场营销活动业务难点——企业用电需求预测，开放了扬中市高新区1000多家企业的历史用电量数据，要求参赛者通过模型算法精准预测该地区下一个月的每日总用电量。

        

          
        
        
        

          

          AI 代码解读
        
      
      

2. 数据介绍
本次竞赛主要数据源为企业用电量表Tianchi_power2，阿里云抽取了扬中市高新区的1000多家企业的用电量（数据进行了脱敏），包括企业ID（匿名化处理），日期和用电量。具体字段如下表：

考虑到天气对企业用电量的影响，同时也提供了天气数据。具体字段如下：

其中dt 字段表示日期，temperature_bigh字段表示当天最好温度，temperature_low字段表示当天最低温度，weather字段表示天气情况，wind_direction字段表示风向，wind_direction字段表示风级。
通过对数据观察发现节假日对用的量的影响非常大，于是加入了节假日特征及季节特征。
第一季数据下载：竞赛数据

3 解决方案概述
本赛题提供了企业用户每天的用电量，记录的时间区间是2015.01.01至2016.11.30,需要预测的是2016年12月份企业用户每天的用电总量。通过分析用户的用的量，我们发现174，175，1416三家企业每天的用电量比较高，三家用电总和约为总电量的1/2，其中1416一家用电约占总用电量1/4，我们首先根据用户id，将以上三家划分出来，然后提取了用户相关的特征、天气相关的特征，节假日相关的特征。针对全部企业用电及划分的企业用电，最后训练了XGBoost（最后未使用），4个GBDT（每份）进行模型融合。

3.1特征工程
比赛过程中使用的特征：
企业用电量特征：
Record_date,power_consumption,year,month,day,dow,mean_1,d_max_1,d_min_1,d_median_1,mean_2,d_max_2,d_min_2,d_median_2,mean_avg,mean_dist,d_max_avg,d_max_dist,d_min_avg,d_min_dist,d_median_avg,d_median_dist,row_n
天气特征(仅使用了温度特征)：
tem_h,tem_l,tem_avg,tem_dist
节假日季节特征：
season,holiday
特征提取使用的是ide，提取步骤如下：
1.在左边首先选择任务开发-->自己建立的文件夹（有多位队员可以创建自己的文件夹，方便使用）-->右击新建任务（这里使用的ODPS_SQL，因为sql最容易上手）-->键入脚本名称即可。

2.在编辑框中，编辑自己的sql语句（建表时注意不要与队友所建表名称一致，否则将无法更新表中字段，这里系统是不提示表名是否重复的），然后运行即可。

特征提取的全部sql语句（sql）：特征提取

Tips:
在使用ide过程中，可以在函数管理选项中，查看可以使用的函数及使用方法

可以在表查询选项中可以查看已经创建的表（自动同步在机器学习pai平台创建的表）：

3.2模型的设计及融合
通过分析174，175，1416企业，对174号企业短时间用电较为稳定，博主直接使用了上个月均值作为预测值（短期mae为4k左右）；对175号企业训练4个gbdt模型，然后使用胜者通吃策略融合模型（mae为10k左右）；1416号企业用电较为异常很难使用模型准确预测，同时对总的用电影响较大，为减少误差，使用15年12月数据加上66000（16年11月均值与15年12均值差值的1/2）；对剩余企业使用4个gbdt模型预测，对预测值求和最为最终预测值。然后对整体全部企业的用电总和使用4个gbdt模型预测。最后，对两组预测值使用0.65，0.35的权值融合。
模型的设计主要在机器学习pai上完成，建立步骤如下：

Gbdt模型的训练及数据预测

• 实验的创建：
  在首页中可以选择从已有实验的模板创建也可新建空白实验，本实验选择新建空白实验：

上传节假日数据：

然后添加字段：

按照下图方式，读取数据表：

使用与读取数据表同样的方式，拖拉所需控件。本实验中训练所用结构图如下：

其中sql脚本是为了剔除过年一段时间的数据，语句如下：
select
record_date,

power_consumption,
year,
month,
day,
dow,
mean_1,
d_max_1,
d_min_1,
d_median_1,
mean_2,
d_max_2,
d_min_2,
d_median_2,
mean_avg,
mean_dist,
d_max_avg,
d_max_dist,
d_min_avg,
d_min_dist,
d_median_avg,
d_median_dist,
tem_h,
tem_l,
tem_avg,
tem_dist,
row_n,
holiday,
season

        

          
        
        
        

          

          AI 代码解读
        
      
      

from ${t1} where record_date<='2016-01-30'or record_date>='2016-02-19'

gbdt的训练参数（4个模型仅在树的数量，学习率，最大叶子树，树深进行了微调,其它参数一致）：


本实验gbdt预测部分如下：

对四个模型的预测结果融合部分sql语句：
select
concat(year,'/',month,'/',day) as predict_date,

(prediction_a+prediction_b+prediction_c+prediction_d)/4 as power_mean,
prediction_a,
prediction_b,
prediction_c,
prediction_d

        

          
        
        
        

          

          AI 代码解读
        
      
      

from ${t1} ;

select
predict_date,
(case when abs(prediction_a-power_mean)when abs(prediction_b-power_mean)when abs(prediction_c-power_mean)when abs(prediction_d-power_mean)end) as prediction
from ${t1};

Xgboost 模型的训练及预测
使用pai命令在IDE中实现，参数设置参照gbdt，pai命令如下：

drop table if exists xgb_pred_1;
DROP OFFLINEMODEL IF EXISTS xgboost_1;

        

          
        
        
        

          

          AI 代码解读
        
      
      

-- train
PAI
-name xgboost
-project algo_public
-Deta="0.01"
-Dobjective="reg:linear"
-DitemDelimiter=","
-Dseed="0"
-Dnum_round="3500"
-DlabelColName="power_consumption"
-DinputTableName="tianchi_power_sum_min_input_1"
-DenableSparse="false"
-Dmax_depth="8"
-Dsubsample="0.4"
-Dcolsample_bytree="0.6"
-DmodelName="xgboost_1"
-Dgamma="0"
-Dlambda="50" 
-DfeatureColNames="year,month,day,dow,holiday,season,mean_1,d_max_1,d_min_1,d_median_1,mean_2,d_max_2,d_min_2,d_median_2,mean_avg,mean_dist,d_max_avg,d_max_dist,d_min_avg,d_min_dist,d_median_avg,d_median_dist,tem_h,tem_l,tem_avg,tem_dist,row_n"
-Dbase_score="0.11"
-Dmin_child_weight="100"
-DkvDelimiter=":";

-- predict
PAI
-name prediction
-project algo_public
-DdetailColName="prediction_detail"
-DappendColNames="year,day"
-DmodelName="xgboost_1"
-DitemDelimiter=","
-DresultColName="prediction_result"
-Dlifecycle="28"
-DoutputTableName="xgb_pred_1"
-DscoreColName="prediction_score"
-DkvDelimiter=":"
-DfeatureColNames="year,month,day,dow,holiday,season,mean_1,d_max_1,d_min_1,d_median_1,mean_2,d_max_2,d_min_2,d_median_2,mean_avg,mean_dist,d_max_avg,d_max_dist,d_min_avg,d_min_dist,d_median_avg,d_median_dist,tem_h,tem_l,tem_avg,tem_dist,row_n"
-DinputTableName="tianchi_power_sum_min_output_2"
-DenableSparse="false";

select * from xgb_pred_1;

        

          
        
        
        

          

          AI 代码解读
        
      
      

同样训练4个xgboost模型，在pai下进行结果融合（Tip：ide下与pai下的数据表是同步的）：

其中的Sql语句与gbdt融合所用语句一致。

在使用pai的过程中有什么疑问可以查看帮助文档：

总结
在pai界面中，IDE下具有与pai同样的功能，并且数据是同步的，但pai下有更好的可视化效果，可根据自己的喜好自行选择。
致谢
作为一名天池新手，第一次参加阿里云的天池竞赛，成功的被比赛给吸引了，在比赛的这一个月的时间里收获颇多，认识了好多大神，还有阿里云的师兄们感谢你们的帮助。本想最后一天放大杀器，没想到大家都提高了那么多，感觉像是参加了假比赛，遇到了假数据（笑哭）。最后贴上我们的成绩。