题目内容

原题链接

这道题的核心任务是开发一个预测程序，针对风电机组的 SCADA 快照数据，预测未来一小时可安全并网的功率（next_power_mw，单位 MW），结果用于备用容量安排和弃风控制。程序要写成命令行形式：python main.py --input <csv_path> --output <pred_path>，工作目录就是 main.py 所在位置。数据都放在 /workspace/data/ 下，配套的 data/SCHEMA.md 说明了每个字段的产生阶段；训练集 train.csv 带历史标签，验证集 valid.csv 带标签供调参，而测试样例 sample_testcases 里没有标签。约束条件里特别提醒了大文件处理，不能直接把原始数据全倒给 AI，得自己先提取有效信息再输入，另外还要注意网络异常之类的情况。输出文件必须包含两列，顺序固定为 record_id 和 next_power_mw，预测值要有限且不能明显超额定功率。环境限定 Python 3.11，只能用 numpy、pandas、scikit-learn，禁止联网和额外装包，完整训练加预测控制在 60 秒内。评测维度包括常规周期、新机型泛化、新区域偏移和高可用容量调度风险，核心指标是加权 RMSE，高出力高湍流样本权重要更高。

下面是我对这道题的解题经验，重新梳理过，尽量把要点讲透。

第一件事：别急着建模，先排查“未来信息”。题面给的 SCHEMA.md 里清楚标了每个字段是哪个阶段产生的，有些量是预测时刻之后才能拿到的（比如下一小时实际功率）。如果你直接把除了 next_power_mw 之外的所有列都当特征喂进去，本地验证会漂亮得离谱，但线上一定崩——这就是最典型的特征穿越。正确做法是只保留快照时刻已经存在的字段，那些事后才能产生的量必须剔除，哪怕相关性再高也别碰。

第二件事：特征工程要围绕物理规律做。风功率和风速不是线性关系，理论上是三次方增长，但两头有平台：低于切入风速出力为零，超过额定风速就被限幅，再高可能切出停机。所以原始风速不够用，至少要构造风速的立方项、按风速区间做分段（比如低于切入直接置零，超过额定就截断），还要把风速和额定容量做乘除交互，帮助模型区分不同机型。风向要拆成 sin/cos，避免角度数值跳变；湍流强度、气象预报和当前实测的差值、机组限功率状态这些也都有明确物理含义，值得加进去。特别注意，机组编号、区域编号这类 ID 字段不能当类别特征硬编码，因为评测会换新机型新区域，模型记住 ID 等于死记硬背，不如直接预测“功率/额定容量”的比值，最后再乘回来，泛化性会好很多。

第三件事：模型选型与权重对齐。在 sklearn 限制下，梯度提升回归（GradientBoostingRegressor）够用而且速度合适。关键是训练时要把业务权重传进 sample_weight，因为最终打分就是加权 RMSE，高出力高湍流样本惩罚更重，等权训练会跑偏。另外时间和内存有限，不要搞交叉验证或者反复调参，固定随机种子，一次性训练完就行。

第四件事：验证集切分要按时间或机组整段切，不能随机打乱。风电数据相邻快照高度相关，如果随机划分，同一个风机相邻时刻的样本可能分到训练集和验证集两边，相当于验证时模型已经偷看到了相近模式，本地 RMSE 会严重失真。按机组 ID 或时间顺序切出一整段作为验证集，才能真实反映泛化效果。

第五件事：输出文件必须做严格的后处理检查。这是最容易莫名其妙丢分的地方，甚至比模型精度还关键。必须确保输出行数等于输入行数，record_id 完全一致且顺序不变；预测列 next_power_mw 没有 NaN、inf 或负数；每个预测值不超过该机组额定功率的合理上限（可以设 1.1 倍软截断，但绝不能出现天文数字）；列名和顺序必须是 record_id, next_power_mw 一字不差。这些检查写进代码里，有问题就报错或截断，别让程序静默生成一个看似正常但读不进去的文件。

第六件事：迭代心态要放平。这道题没有“做完”的时候，跑通只是起点。题面明确说会综合评估你和 AI 助手的协作过程，所以开头花时间把题意和字段定义吃透，结尾留足时间做验收检查，这两段最不能省。中间每次改动只动一处，改完对比分数变化，才能知道真正提升来自哪里。60 秒预算够训练加预测，别搞重复训练或复杂搜索，把有限时间花在特征筛选和权重调整上最划算。