Datawhale AI 夏令营社市场博弈第三弹：

时间存在的意义就是就是任何事都不可能立刻实现——阿尔伯特•爱因斯坦

序言

第三次打卡开启，第三弹笔记随之而至~

还是老朋友，更多详情可以看Datawhale的baseline文档：https://linklearner.com/activity/12/2/14

看到baseline中的强化学习和时间序列挖掘比较感兴趣，接下来将针对这两个方法做一些简单的分析。

时间序列挖掘

什么是时间序列挖掘？

第14章 挖掘时间序列数据 - 《Data Mining》中文版 (dm-trans.github.io)

时间序列挖掘是数据挖掘的一个分支，它专注于从时间序列数据中提取有价值的信息和知识。大部分模型都可以分为以下两种类型：

实时分析：在实时分析中，实时分析一个或多个序列中的数据点，进行预测。 通常，在不同的数据流上使用近期历史的小窗口进行分析。 这种分析的例子包括预测，偏差检测或事件检测。 当多个系列可用时，通常以时间同步的方式分析它们。 即使在诸如聚类的数据挖掘应用被应用于这些问题的情况下，分析通常也是实时进行的。

回顾性分析：在回顾性分析中，时间序列数据已经可用，随后进行分析。 数据库中不同时间序列的分析有时不会随时间同步。 例如，在ECG读数的时间序列数据库中，数据可能已经在不同时期记录。

当然，Task2中使用的EDA并不属于以上两种类型的任何一种。它可以被视为一个预处理步骤或一种探索性技术，帮助分析师更好地理解和熟悉时间序列数据的特点。

Baseline中对数据做了一些预处理，其中比较重要的就是特征工程，附代码：

train_data["hour"] = electricity_price.index.hour
train_data["day"] = electricity_price.index.day
train_data["month"] = electricity_price.index.month
train_data["year"] = electricity_price.index.year
train_data["weekday"] = electricity_price.index.weekday
# 根据月份信息，判断是否为风季（1-5月和9-12月），创建布尔型 "is_windy_season" 列
train_data["is_windy_season"] = electricity_price.index.month.isin([1, 2, 3, 4, 5, 9, 10, 11, 12])
# 根据小时信息，判断是否为低谷时段（10-15点），创建布尔型 "is_valley" 列
train_data["is_valley"] = electricity_price.index.hour.isin([10, 11, 12, 13, 14, 15])
train_data["quarter"] = electricity_price.index.quarter
# 对时间特征进行独热编码（One-Hot Encoding），删除第一列以避免多重共线性
train_data = pd.get_dummies(
    data=train_data,        # 需要进行独热编码的 DataFrame
    columns=["hour", "day", "month", "year", "weekday"],  # 需要独热编码的列
    drop_first=True         # 删除第一列以避免多重共线性
)

强化学习

如果大家对强化学习懵懵懂懂，也欢迎查看datawhale的教程：https://github.com/datawhalechina/easy-rl

ABM与强化学习的理念非常相像，agent通过策略与环境数据的交互进行分析，生成更精准的判断。当然，这也是本次赛题最困难的地方之一。需要分析的数据时间量太长，涉及的分析体量过大，仅靠task1中的边际定价很难实现复杂的行为分析。在baseline中也提到了两种算法：

• Wolf-PHC（Win or Learn Fast - Policy Hill Climbing）

• A3C（Asynchronous Advantage Actor-Critic）

欢迎大家自行查阅（真的是有点复杂）

最后简单写点总结~

这次的赛道虽然可以是说和我的专业领域完全不搭嘎，涉及到很多经济学领域的模型和思路，但是也坚持到了最后，对ABM与时间序列有着更深刻的了解