赛题介绍：

赛题官网：MARS开发者生态社区 (marsbigdata.com)。首先进入官网进行注册登录，进行报名参赛。同时也可以看到”新能源“赛道【电动汽车充电站充电量预测】的赛题的具体详情，详情中对数据的字段进行了介绍以及提供了下载数据集网址。

数据介绍：

本赛题提供的数据集包含三张数据表。

其中，power_forecast_history.csv 为站点运营数据，power.csv 为站点充电量数据，stub_info.csv 为站点静态数据，训练集为历史一年的数据，测试集为未来一周的数据。

评价指标

评价指标：

解题思路：

本题任务：预测多个充电站未来一周每天的充电量（以天为单位）。属于典型的回归问题，同时也是时间序列预测问题。输入数据为历史站点运营数据、站点充电量数据和站点静态数据。针对这类时间序列预测问题方法比较灵活，传统的时序模型、机器学习、深度学习方法均可以使用。

1、统计策略：使用最近时刻的结果进行均值、中位数、时间衰减等方式直接统计得到未来结果，这种方式比较简单，可以快速得到结果；

2、时序模型：比较常用的方法有指数平滑法、灰色预测模型、ARIMA 预测、季节 Sarima 模型、VAR 模型等，仅能刻画序列信息，无法加入其他信息进行训练，比如离散类特征；

3、机器学习模型：常见的为 lightgbm、xgboost、catboost，需要构建大量时序相关特征；

4、深度学习模型：常见为 rnn、lstm、cnn、transformer 这类模型，可以直接输入序列信息，不需要构建大量的人工特征；

在这里 DataWhale 组织提供了 baseline，选择使用机器学习方法，在解决机器学习问题时，一般会遵循以下流程：

思考 1：这里为什么选择机器学习算法？为什么不考虑深度学习？

在许多机器学习问题中，特征工程的重要性不容忽视。如果特征工程能够充分捕捉数据的关键特征，那么机器学习算法也能够表现很好。深度学习在某种程度上可以自动学习特征，但对于特定问题，手动设计特征可能会更有效。

思考 2：这里从逻辑回归和决策树中选择，哪一个模型更加合适？

• 决策树能够处理非线性关系，并且可以自动捕获特征之间的交互作用。

• 它可以生成可解释的规则，有助于理解模型如何做出决策。

• 决策树能够处理不同类型的特征，包括分类和数值型。

Baseline:

快速跑通 baseline：基于百度 AI Studio，将本教程 Baseline 部署在线上平台，可一键 fork 运行代码，提交结果，看到成绩。

SEED新能源赛道：电动汽车充电站充电需求预测 - 飞桨AI Studio星河社区 (baidu.com)

注册账号，点击 fork 就可以把项目 fork 到自己的账号下，如下所示：

点击进入，初始化环境，选择 cpu 的硬件配置即可，然后就进入到程序运行界面，和 jupyter 类似，如下图：

运行完程序后，会生成 result.csv。如下图所示：

至此，baseline 运行结束。