最近参加了科大讯飞的线下商店销量预测挑战赛，线上成绩0.66，最终排名第七，这里把自己的方案分享出来，欢迎大家交流讨论！代码和数据均已上传到GitHub：

比赛传送门：https://challenge.xfyun.cn/topic/info?type=offline-store-sales-forecast

给定商店销量历史相关数据和时间等信息，预测商店对应商品的周销量。

训练集：33周的历史销量数据

测试集：34周的销量

数据字段：字段shop_id（店铺id）、 item_id（商品id）、week（周标识）、item_price（商品价格）、item_category_id（商品品类id）、weekly_sales（周销量）组成。

可以发现这里的shop_id、item_id、week和item_category_id进行了脱敏处理，经过简单探索，发现：

1. shop_id共有32个，item_id共有523个、item_category_id共有34个，shop和item是多对多的关系，通过shop*item可标识唯一商品。

2. item_price存在大量空值，比率达73%

3. weekly_sales大多偏低，集中在0和1，存在间歇性需求的问题

一般销量预测，特征工程主要从这几个方面入手：时间相关特征、历史销量相关特征、价格相关特征...不过这里的时间特征被脱敏了，用不到，所以特征工程主要从销量和价格入手。

1. 滞后特征：滞后 1-14周的销量

2. 滑动特征：滑动2-14周销量的min/max/median/mean/std

3. 类别encoding特征：每个item、shop、item_category、shopitem_category、shopitem销量的mean和std

4. 类别滞后特征：每个item、shop、item_category滞后1-14周的销量

1. 价格原始值：包含原始特征和填充特征，填充策略采用先向前填补再向后填补，最后没填补到的在用众数填补

2. 类别encoding特征：每个item、shop、item_category、shopitem_category、shopitem价格的mean和std

3. 价格差异特征：当前价格与shop、item、item_cat、shop_cat、shop_item的价格均值的差值

4. 价格变动特征：当前价格与上周价格/上个月平均价格的差值

只使用了lightgbm

训练的损失函数采用tweedie，由于存在间歇性需求的问题，很多商品的销量的销量为0，满足tweedie分布，因此采用tweedie作为损失函数效果要比ms要更好

由于时间序列的数据存在先后，只能用历史来预测未来，因此在交叉验证的时候就得格外小心，不能使用随机划分，因为这样会泄露未来的数据，但是时序也有自己的一套交叉验证方法，我这里使用了三折交叉。

使用三折交叉验证，建立三个lgb模型：

1. 模型1：训练集使用1-30周数据，验证集使用31周数据，早停50轮

2. 模型2：训练集使用1-31周数据，验证集使用32周数据，早停50轮

3. 模型3：训练集使用1-32周数据，验证集使用33周数据，早停50轮

特征工程、模型的调参等都是基于这个交叉策略来做的，最后将这三个模型取简单平均。

为什么不用五折交叉？五折交叉融合的效果不太好，经试验3折融合的成绩是最好的

由于树模型无法捕捉到趋势，只能学习到历史的东西，不能外推，预测的时候就容易偏高或者偏低，所以提交的时候其实还试着给结果乘上了一个系数1.025，这也是kaggle上很多时序用的一个trick，结果大概能提升0.005个点吧

1. 分shop、item、item_category建模，以及这几种方式得到结果的简单平均融合，按理来说在数据量足够的情况下，对每个类别分别建一个模型应该是比全部数据一起建模效果要好的，不过线上无提升

2. 去掉部分重要度特征不高的特征后建模，用到的特征有159个之多，试着使用特征过滤的手段去掉部分无用特征，仍然是本地有提升，线上无提升

3. 训练集删掉前15周的数据进行建模，由于构造了很多lag特征，导致了前15周一些特征都是空值的情况，试着把这部分数据删掉，并且越早的数据对于之后的预测越没用，所以按理删掉这些数据应该是能有所提升的，但是还是本地有提升，线上无提升

4. ...