作者：樓觀白樓
寫在前面
在本次比賽中，我們團隊惡魔媽媽買面膜（經主辦方建議，決賽時隊名修改為秋名山車神）在初賽A榜，初賽B榜，複賽A榜，複賽B榜分别取得2,4,1,3的名次，并在最終決賽中逆襲拿到冠軍（1/3000）。
本來複賽B榜是rank 4。由于有一個隊伍由于使用小号被取消資格，一個隊伍放棄複現，決賽逆襲一個隊伍，最終拿到了冠軍。說實話，運氣非常好。
曆時四個月，從多次想要放棄（中間有一個月放棄了沒有做）到最終奪冠，真的十分感謝隊友！
團隊介紹
秋名山車神
梁晨 重慶郵電大學 研一
陳暄群 華南理工大學 研二
梁汐然 北京大學 大四
徐巍 重慶郵電大學 研二
王猛旗 重慶郵電大學 研一
如你們所見，我們來自三個不同的學校，通過本次比賽聚集在一起，在此也十分感謝DF平台與主辦方CCF。
我們團隊中大多數人都是第一次參加資料科學競賽。
感謝開源
本次比賽要特别感謝的人是魚佬，他的架構太強了。換成是我我不一定會在比賽中開源這麼強的思路，從某種層面上來說這可能會坑到自己。是以敢于開源的人都應該值得稱贊，開源與分享可以讓整個環境進步。
另外還要感謝月月鳥，阿道，煥明（校友，就是54的那個規則開源，實際上我發現很多隊伍的規則都是基于他做的），他們的開源也讓我們學習到了很多。
代碼
我們本次的方案一共約500行代碼，主要的工作在于特征工程與規則構造，思路，代碼都很簡單，運作隻需3min，請放心使用。
https://github.com/cxq80803716/2019-CCF-BDCI-Car_sales
接下來我會詳細介紹一下本次的賽題與解決方案。
實測（8g記憶體，CPU:i5-8500，耗時132秒）：
賽題介紹
CCF大資料與計算智能大賽（CCF Big Data & Computing Intelligence Contest，簡稱CCF BDCI）是由中國計算機學會大資料專家委員會于2013年創辦的國際化智能算法、創新應用和大資料系統大型挑戰賽事，是全球大資料與人工智能領域最具影響力的活動之一。
深瞳是一家大資料與行業智能應用解決方案營運商，為各行業客戶提供資料分析與政策咨詢服務，幫助行業客戶進行資料資産化，為客戶提供資料處理、模組化分析服務。汽車行業是深瞳所重點服務的核心行業之一，長期服務于國内外知名汽車品牌客戶。
近幾年來，國内汽車市場由增量市場逐漸進入存量市場階段，2018年整體市場銷量首次同比下降。在市場整體趨勢逐漸改變的環境下，消費者購車決策的過程也正在從線下向線上轉移，我們希望能在銷量資料自身趨勢規律的基礎上，找到消費者在網際網路上的行為資料與銷量之間的相關性，為汽車行業帶來更準确有效的銷量趨勢預測。
https://www.datafountain.cn/competitions/352
備注：（原始資料下載下傳位址，github已經有資料，可以不用下載下傳）
連結：https://pan.baidu.com/s/1Zs5d9CWJuUoX7AmIKAoYmg
提取碼：frqb
賽題需要參賽隊伍根據給出的60款車型在22個細分市場（省份）的銷量連續24個月（從2016年1月至2018年12月）的銷量資料，建立銷量預測模型；基于該模型預測同一款車型和相同細分市場在接下來一個季度連續4個月份的銷量；除銷量資料外，還提供同時期的使用者網際網路行為統計資料，包括：各細分市場每個車型名稱的網際網路搜尋量資料；主流汽車垂直媒體使用者活躍資料等。參賽隊伍可同時使用這些非銷量資料用于模組化。
簡單來說，本次賽題給出2016.1~2017.12的省份，車型，車身，銷量，搜尋量，評論量，評價量等，要求預測2018.1~2018.4的銷量。
評價名額是歸一化均方根誤差的均值
資料分析
通過初步分析資料可以發現省份-車型所組成的類别特别多，并且對于同一車型，波動也挺大的，銷量的範圍較大等。
順便說一下，我們經過多次嘗試發現評論量與評價量幾乎起不到作用，是以這兩個特征我們并沒有使用，如果你有辦法處理這兩個特征，歡迎評論讨論。
資料預處理
為了使資料分布更加符合高斯分布，對資料做了log1p的預處理。
算法整體方案
我們在初賽的時候嘗試了xgb,lgb,cat,prophet,rule,lstm,cnn，并且初賽的最終結果是由lgb,prophet,rule與lstm融合而來。但是後來我們發現就算隻用lgb和rule也能得到差不多的分數，時序模型與深度學習模型在這道小資料時序問題上并不适用，又考慮到工業環境中模型越少，越簡單越好，是以複賽時，我們隻使用了差異性足夠大的lgb與rule兩個模型。
抑制誤差傳遞
直接使用魚佬的架構能帶來相當不錯的效果，但是可以發現，越往後的月份誤差的累計會越來越嚴重，是以在模型中，我們隻拼接了1月份預測出來的值。
特征分析
在構造特征之前，對特征一些分析。
畫出省份銷量的熱力圖可以發現銷量與省份的發達程度，臨海程度是成一定正相關的，這與我們的直覺相符。是以各省份銷量的差異明顯，模組化時必須對省份進行差別。
對于同一個月份，2016年與2017年的銷量類似，即銷量有周期性變化的特性。而且對于宏觀變化而言，2017年的銷量較2016年銷量呈現下降趨勢。
春節月的銷量較低，春節後逐漸上升，年末達到最高。
特征工程
這一塊是本次工作的重頭戲，也是我們花費了最多時間的地方，最終，我們的模型特征由以下幾部分組成。
考慮到春節等節假日，我們構造了與節假日相關的一些特征。
考慮到每個月的天數，工作日不同，我們構造了相關的特征。
由于是個時序問題，是以曆史銷量與銷量的變化趨勢是我們應該考慮的重點。針對此，我們在多個不同粒度下構造了曆史平移特征，差分特征，同比/環比特征與趨勢特征。
不過經過我們的嘗試，同比的效果不怎麼好。
更加詳細的内容請看代碼。
特征選擇
我們所構造的特征實際上不止這些，不過由于資訊重疊與毒特等原因，我們使用了一些方法對特征進行篩選。
我們使用了樹模型的特征重要性排序，均值判斷與SHAP進行特征篩選。
特征重要性排序：根據樹模型輸出的特征重要性進行篩選，去掉重要性低的特征。
均值判斷：由于本道賽題中，1234月具有相對固定的均值比例與均值大小，是以可以通過添加/删除特征後1234月的平均均值來大概判斷特征的好壞。
SHAP：利用了組合博弈論的知識，防止因為資訊重疊而導緻的特征重要度不公平的情況。
初賽LGB的建構流程
初賽時lgb做的一些操作與對應的分數如下
統計規則
規則部分的架構是使用曆史同期銷量，曆史最近銷量與指數平滑進行權重得到一個初步預測銷量，然後用上下半年的銷量變化趨勢與平滑構造年度銷量變化趨勢，最後兩者相乘即可得到規則的預測結果。
由此可見，規則帶有相當多的超參數。據我了解不少團隊複賽時規則血崩，這也是時序題裡面規則的泛性問題。我們初賽時規則可以達到0.633，是一個絕對的主力，複賽送出次數太少，最終規則也隻有0.598，隻能以lgb為主，規則為輔。
模型融合
因為隻有兩個模型，是以模型融合基本上不用考慮太多，直接進行簡單的算數/幾何權重即可，由于幾何權重可以使預測值偏小，而2018年的銷量理應是較之前低的，是以我們使用了幾何權重進行融合。
另外1234月分開進行融合，可以帶來微小的提升。
總結
這裡特别提一下模型的數量與運作時間的優點，據我們決賽觀察，大多數隊伍都有超過2個的模型，而且有的隊伍需要超過一個小時的運作時間。從工業角度來講，我們的方案應該是更加适用的。