2026年(第14届)“泰迪杯”数据挖掘挑战赛赛题B解析与新手入门指南

1次阅读

没有评论

共计 1895 个字符，预计需要花费 5 分钟才能阅读完成。

2026 年“泰迪杯”赛题 B 聚焦城市交通流量预测，要求参赛者根据历史交通数据（包括时间、路段、天气等维度）构建预测模型。核心评价指标为 MAE（平均绝对误差），需特别注意数据中存在传感器异常记录和节假日特殊模式。

对新手而言，建议优先理解官方提供的字段说明文档，特别注意：

timestamp 字段包含时区信息（UTC+8）
road_condition 字段为分类变量需编码处理
评价指标要求预测未来 7 天每 15 分钟粒度的流量

典型处理步骤：

缺失值处理：交通流量数据建议用前后时间点均值填充
异常值检测：使用 IQR 方法识别传感器异常记录
时间解析：提取小时、星期等时序特征

关键特征方向：

时序特征：小时、是否早晚高峰、是否周末
空间特征：路段拓扑关系（需结合地图数据）
环境特征：天气类型编码、温度分箱

推荐基线方案：

轻量级方案：LightGBM（适合快速迭代）
进阶方案：LSTM+Attention（需 GPU 支持）
集成方案：Stacking 多个基模型

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 读取赛题数据
df = pd.read_csv('traffic_data_b.csv', parse_dates=['timestamp'])

# 时间特征提取
df['hour'] = df['timestamp'].dt.hour
df['is_peak'] = df['hour'].apply(lambda x: 1 if x in [7,8,17,18] else 0)

# 标准化处理
scaler = StandardScaler()
df[['temperature','humidity']] = scaler.fit_transform(df[['temperature','humidity']])

from lightgbm import LGBMRegressor
from sklearn.model_selection import train_test_split

# 划分数据集
X = df[['hour','is_peak','temperature']]
y = df['traffic_flow']
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2)

# 训练模型
model = LGBMRegressor(n_estimators=100)
model.fit(X_train, y_train)

# 验证集评估
from sklearn.metrics import mean_absolute_error
preds = model.predict(X_val)
print(f'MAE: {mean_absolute_error(y_val, preds):.2f}')

错误做法：在全局进行标准化后再划分数据集
正确做法：应先划分训练测试集，仅在训练集上拟合 scaler

应对策略：

使用早停机制（early_stopping_rounds=50）
增加 L2 正则化（reg_lambda=0.1）
特征筛选（importance_threshold=0.01）

推荐方法：

互信息法（mutual_info_regression）
基于 SHAP 值的特征重要性
嵌入式方法（Lasso 回归）

from sklearn.model_selection import GridSearchCV

params = {'learning_rate': [0.01, 0.1],
    'max_depth': [3, 5]
}

gs = GridSearchCV(model, params, cv=5, scoring='neg_mean_absolute_error')
gs.fit(X_train, y_train)
print(f'最佳参数：{gs.best_params_}')