本次比赛TNT_000队伍获得二等奖。总体思路如下：

1.特征思路

按照时间划分的基础属性特征（B：Base）：

● 用户每1/2/3/4/5周的用电量和，电表起始度数和，电表终止度数和，用户记录数

● 用户每2/3/4/5/6天的用电量和，电表起始度数和，电表终止度数和，用户记录数

按照时间划分的用户用电前后相似度特征（S：Similarity）：

● 用户每4/5周前后两个时间段的用电量、电表起始度数、电表终止度数、用户记录数PCC相似度

● 用户每4/5周前后两个时间段的用电量、电表起始度数、电表终止度数、用户记录数余弦相似度

按照时间划分的用户Pooling特征（P：Pool）：

● 用户用电记录按照时间构成28*37二维矩阵，一维代表时间，一维代表用电量。

● 按照2*2的大小对矩阵进行取最大值，平均值，标准差统计

● 按照3*3的大小对矩阵进行取最大值，平均值，标准差统计

按照时间划分的用户统计特征属性（D：Describe）：

● 用户每1/2/3/4/5周的用电量，电表起始度数，电表终止度数，用户记录数的统计特征

● 用户每2/3/4/5/6天的用电量，电表起始度数，电表终止度数，用户记录数的统计特征

● 统计特征有最大，最小，均值，方差，异常值个数，中位数等等

2.模型：

● Xgboost 单模型（B+D） cv-3 线下0.914 线上0.92244

● Xgboost 单模型（B+S+D） cv-3线下0.915 线上0.92288

3.文件解释：

../stateGrid/

• feature：放置特征文件夹
  • matrixFeature：B特征文件夹
  • description：D特征文件夹
  • stack：stack结果文件
  • trend：S特征文件夹
• data：放置原始数据及原始数据预处理
• importance：xgb对特征重要性评价文件
• src：源代码文件
  • excute.py 配置文件及执行文件
  • function.py 构造特征函数文件
  • model.py 模型相关函数文件
• result：结果文件
• model：模型文件