淘天 Problem 5：自行车共享需求预测

• 来源：noai-mis/淘天/Problem 5
• 类型：Tabular ML / time series regression
• 原始资料：baseline.ipynb、scoring.py、data/day.csv、data/hour.csv、NOAI竞赛实战课程大纲最终版.pdf
• 题面完整性：baseline notebook 完整
• 解法资料完整性：完整 baseline

题面大意

根据天气、季节、日期等特征预测 Washington D.C. 自行车租赁需求。Notebook 使用 day.csv 日粒度数据构建回归 baseline，hour.csv 可用于进阶模型。课程大纲将本题定位为“时序数据与信号处理”，重点是时序切分、滞后特征、滑动窗口统计、傅里叶变换和低通滤波。

数据特点

目标 cnt 是总租赁数，且 casual + registered = cnt，这两列会造成直接泄漏，必须排除。特征包含年份、月份、星期、季节、天气、温度、湿度、风速等，存在明显时间趋势和季节性。小时级数据有强烈的 24 小时日周期和 168 小时周周期，适合用频谱图理解需求变化。

考点

核心考点是时间序列验证和信号特征工程。由于数据按日期排列，普通随机 KFold 会让未来信息混入训练，得到过乐观分数；课程大纲要求对同一模型分别使用随机 KFold 与时序切分，比较交叉验证分数差异。另一个重点是构造滞后特征和滑动窗口统计，并理解移动平均相当于最简单的低通滤波。

涉及知识点

• 时间特征：年、月、星期、季节、趋势。
• Expanding Window 与 Rolling Window。
• 泄漏识别：casual、registered。
• 滞后特征：lag 1、lag 7/24/168。
• 滑动窗口统计：rolling mean/std。
• 傅里叶变换、频谱图、低通滤波。
• Ridge/Lasso、RandomForest、GradientBoosting。
• KFold 与 TimeSeriesSplit。
• RMSE。

解法思路

按课程大纲，解法应先从验证方式做起。删除 instant、原始 dteday、casual、registered 等不应使用列，保留天气和时间字段；然后对同一模型分别使用随机 KFold、Expanding Window 和 Rolling Window/TimeSeriesSplit，比较 RMSE 差异，说明为什么时序任务不能随机打乱。

特征工程分三层。第一层是日历特征：年份趋势、月份、星期、周末、节假日、季节、天气、温度、湿度、风速，以及月份/星期的 one-hot 或 sin/cos 周期编码。第二层是时序统计：在 hour.csv 上构造滞后 1 小时、7 小时、24 小时、168 小时等特征，并计算滚动均值、滚动标准差、近期最大/最小等滑动窗口统计；构造时必须只使用当前时刻之前的信息。第三层是信号分析：对需求序列做傅里叶变换，绘制频谱图，定位能量最强的周期成分，预期包括 24 小时和 168 小时；再用低频成分重构信号，与原序列对比，理解低通滤波/移动平均对趋势的提取作用。

模型可以从 Ridge/RandomForest/GBDT 开始，用时序切分 RMSE 选型。日粒度 day.csv 适合讲基础回归流程，小时级 hour.csv 更适合展示周期、滞后和频域特征，上限也更高。

可选/多种解法

日粒度 GBDT：强 baseline，适合快速跑通。

小时粒度时序模型：加入 lag、rolling 和周期特征，上限更高。

随机 KFold 对照实验：用于演示时序泄漏造成的分数偏差。

傅里叶/低通滤波分析：不一定直接作为最终模型，但能帮助发现周期结构。

特殊技巧

casual 和 registered 是目标的组成部分，不能用于预测。所有 lag/rolling 特征必须先按时间排序，并只使用过去窗口。温度、季节、年份趋势通常很强。对月份/星期/小时可用 one-hot 或周期 sin/cos 编码。频谱图中的强峰值可帮助选择 lag 周期和 rolling 窗口。

调参优化

共享单车需求预测应把验证方式和时序特征作为主要调参对象。建议比较 Expanding Window 与 Rolling Window、lag 周期（1/7/24/168）、rolling 窗口大小、低通滤波窗口、小时/星期/月周期编码、节假日特征、天气分箱、目标 log 变换，以及 GBDT 的深度、叶子数、学习率和迭代轮数。随机切分只适合作为陷阱演示，不应用于最终选参。若峰值需求预测偏低，可调损失函数、目标变换或对高需求样本加权。

注意事项

随机切分可能让未来信息间接进入训练，若目标是未来预测，应使用 TimeSeriesSplit。异常天气和节假日可能导致误差大，需要单独分析。

推广意义

这是需求预测类表格回归的标准模板，适用于共享出行、零售销量、用电负荷等场景。