天池大赛-工业蒸汽量预测
1. 数据获取及预处理
1.1 数据来源
本项目数据来源于天池大赛官网提供的两个txt数据文件。这些数据是经脱敏后的锅炉传感器采集的数据，采集频率是分钟级别。
1.2 数据说明
数据分成训练数据（train.txt）和测试数据（test.txt），其中字段”V0”-“V37”，这38个字段是作为特征变量，”target”作为目标变量。需要利用训练数据训练出模型，预测测试数据的目标变量。
1.3 数据预处理
- 官方提供的数据较为清晰和完整，并不存在缺失值的情况；
- 由于各个字段的含义暂不清晰，在此不进行异常值处理；
- 根据数据可视化部分展示的特征相关性，我们选取与目标变量相关性绝对值0.1以上的特征变量，同时剔除存在高度相关性的特征变量；
- 数据中个别特征波动较大可能会造成不同特征权重系数变化过大。为了降低这种情况的影响，我们将数据进行z-score标准化。
2. 数据分析与可视化
训练数据各字段分布如下图所示：
测试数据各字段分布如下图所示：
特征相关性如下图所示：
特征变量与目标变量相关性绝对值0.1以上的有：
V0,V1,V2,V3,V4,V5,V6,V7,V8,V10,V11,V12,V13,V15,V16,V18,V19,V20,V22,V23,V24,V27,V29,V30,V31,V36,V37；
特征变量相关性0.8以上的有：
V0: V1 V8 ; V1: V8 V27 V31; V4: V12; V5: V11; V6: V7; V8: V27 V31 ; V10: V36; V15: V29; V23: V35;
选取与目标变量相关性绝对值0.1以上的特征变量，同时剔除存在高度相关性的特征变量。剩余变量为：
['V1','V2','V3','V4','V5','V6','V10','V13','V15','V16','V18','V19','V20','V22','V23','V24','V30','V37','target']
3. 模型选取
经过分析和讨论，决定分别采用随机森林方法和深度学习方法建立预测模型，对比不同方法的预测效果。
随机森林是由很多决策树融合在一起的算法，它属于Bagging框架的一种算法。每一颗决策树模型在构建的时候训练样本和特征变量是随机抽取的。这种随机性的引入使得随机森林模型不容易陷入过拟合，具有很好的抗噪能力。
深度学习是机器学习的一种，它通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习具备很强的学习能力，它的神经网络层数很多，宽度很广，理论上可以映射到任意函数，可以解决很复杂的问题。
4. 挖掘实验的结果
该赛题预测结果以均方误差（mean square error）作为评判标准，称为score值。在我们的初步实验中，使用随机森林方法建立的预测模型score值为0.1477，使用深度学习方法建立的预测模型score值为0.7422。
5. 存在的问题
从初步挖掘实验的结果可以看出，使用深度学习方法建立的预测模型效果并不理想，下一步需对该模型作进一步改进。
6. 下一步工作
下一步计划对两个模型进行参数调优等优化，进一步提升预测效果，降低预测结果的均方误差。之后，再对两个模型进行对比分析，完成最终报告。
7. 任务分配与完成情况
- 王元杰：深度学习方法实现，文档编写（完成模型搭建，产生初始结果）
- 宋迎新：随机森林方法实现，文档编写（完成模型搭建，产生初始结果）
- 苏向迎：深度学习方法调参、测试，文档编写（即将开始参数调优、模型测试）
- 孙天柠：随机森林方法调参、测试，文档编写（即将开始参数调优、模型测试）
- 产子健：数据分析，实验结果分析，文档编写（完成数据分析和部分文档编写）