学习来源：DataWhale AI夏令营
从零入门 AI for Science（AI+经济） 是 Datawhale 2024 年 AI 夏令营第三期的学习活动
基于阿里云天池平台 “第二届世界科学智能大赛社会科学赛道：市场博弈和价格预测” 开展的实践学习
AI夏令营学习体验：教学教程写的非常细致！代码和所用的模型都配有相关的解释，帮助小白快速上手，完成比赛练习。 👍
模型优化、思路总结、知识延拓……
关于赛题
比赛是关于预测特定时间段内每 15 分钟的市场出清价格，既可以依靠时间序列模型，也可尝试使用 ABM 模型。最终评价指标为 MSE 和 RMSE 的均值，值越小越好。还对 ABM 模型进行了介绍，指出其是基于个体建模来模拟系统复杂行为的工具，有众多应用案例，与 DW 数学建模教程中的微分方程和动力系统相似但又有区别，在面对复杂交互和增多参数时，ABM 提供了从简单个体交互规则涌现系统复杂性的方案，并举例说明了相关规则。
参赛要点
- 比赛内容：预测 2023 年 7 月 1 日到 2024 年 4 月 18 日每 15 分钟的市场出清价格。
- 模型选择：可使用时间序列模型或 ABM 模型，比赛方期待选手使用 ABM 模型。
- 评价指标：最终评价指标为 MSE 和 RMSE 的均值，越小越好。
- ABM 模型介绍：是模拟系统复杂行为的工具，通过模拟个体行为和相互作用研究系统动态变化，有诸多应用案例。
- ABM 与其他建模的关系：与 DW 数学建模教程中的微分方程和动力系统一脉相承，但 ABM 更关注简单交互规则。
- ABM 实现复杂模拟的方案：通过简单的个体交互规则涌现系统的复杂性，举例说明了相关规则。
学习要点
- 时间序列预测：
- 时间序列预测是一种数据分析方法，用于根据历史数据预测未来的趋势和模式。
- 在该比赛中，可以尝试从时间序列的角度挖掘更多信息来提高分数。
- ABM（主体建模 Agent - based model）：
- ABM 是一种基于个体建模来模拟系统复杂行为的方法。
- 通过模拟个体的行为和相互作用，可以研究系统的动态变化。
- 在该比赛中，赛方期待选手使用 ABM 模型，教程会介绍其构建思路并给出代码实现示例。
- 理解：
- 对于时间序列预测，需要挖掘数据中的时序信息，以找到提高分数的方法。
- ABM 与 DW 数学建模教程中的微分方程和动力系统有一定联系，但更关注简单个体交互规则涌现出的系统复杂性。
- 在数据挖掘类比赛中，理解数据并构造强特征是关键，而 ABM 模型的构建和应用需要深入学习其相关方法和思路。
Baseline思路 1
图由DataWhale开源教程贡献者绘制
上分技巧
- 时间序列挖掘（较容易）：
- 具体操作：
- 提供了一个简单的时间序列Baseline作为参考，可下载相关文件并按类似Task1中的流程在Modelscope平台中跑通。
- 进行特征工程，包括构造时间戳特征（年、月、日等）、历史信息特征（过去n期同日期的均值、标准差等）、滞后特征（数据平移n期）、滑窗特征（历史7天、14天等的均值、标准差等）、周期特征（将年月日等时间特征转为正余弦函数）、异常值特征（用3标准差原则发现总负荷的异常值作为特征）、节假日特征与外部数据（节假日与天气数据在本案例中有很大的影响）。
- 具体代码操作包括读取数据、构造特征（如根据时间信息创建布尔型列、对时间特征进行独热编码等）。
- 理论原理：特征工程的目标是通过选择和构建合适的特征，使模型能够更好地理解数据和预测目标变量。时间序列特征的构造基于对数据中时间模式和相关性的分析。
- 能上分的原因：通过挖掘和利用时间序列中的多种特征信息，可以更准确地捕捉数据的模式和趋势，从而提高模型的预测性能，进而实现上分。
- ABM报价策略优化（难度中偏上）：
- 具体操作：（待练习）
- 理论原理：通过模拟个体的行为和相互作用来研究系统的动态变化，从而优化报价策略。
- 能上分的原因：合理优化ABM报价策略可以更好地适应市场博弈和价格预测的情境，提高报价的准确性和有效性，从而有助于提高分数。
- 强化学习（难度难）：
- 具体操作：（待练习）
- 理论原理：强化学习通过与环境进行交互并根据奖励信号来学习最优策略。
- 能上分的原因：在电力现货市场价格预测中，强化学习可以根据市场的动态变化实时调整策略，以更好地适应市场情况，从而有机会提高预测的准确性和得分。 需要注意的是，文本中对ABM报价策略优化和强化学习的具体操作细节未作详细说明。
