图片3.png-376.2kB

IJCAI17 口碑商家客流量预测赛 Flamingo队伍解题方案

IJCAI17_Flamingo_Rank4

李中杰,清华大学热能系,lizhongjie1989@163.com

姚易辰,清华大学工程力学系, yaoyichen@aliyun.com


1 赛题概述

  • 背景:阿里巴巴和蚂蚁金服逐渐积累了来自用户和商家的海量线上线下交易数据。蚂蚁金服的O2O平台“口碑”使用这些数据为商家提供了包括交易统计,销售分析和销售建议等定制的后端商业智能服务。
  • 赛题官网: 阿里天池IJCAI17,参赛队伍总数为4046队伍。
  • 赛题目标:通过阿里支付宝口碑平台2000个商户从2015.07.01到2016.10.31的商家数据,用户在支付宝端的支付和浏览日志,预测商家在未来14天(2016.11.01-2016.11.14)的客户流量。
  • 测评函数:
Item-based filtering
  • 本次比赛鼓励参赛选手使用外部数据,如天气数据等。

2 外部数据及数据清洗

2.1外部数据

外部数据分为机场天气数据和节假日信息两部分,均存储在additional 文件夹下,具体如下:

2.1.1 天气数据

  • 天气数据来源:https://www.wunderground.com, 提供了世界各地在机场附近检测到的气象信息,包含气温,露点,湿度,气压,能见度,风速,瞬时风速,降水量,天气状况等信息。历史气象信息的采样间隔为30分钟。测试集首日,北京首都国际机场2016年11月1日气象条件的时间序列分布如下。
  • 日降水量:采样间隔为天,爬取程序为Weather_underground_day.py,生成的降水量表格为 PRECIP.csv
  • 气象条件时间序列:采样间隔为30分钟,爬取程序为 Weather_underground_hour.py,生成的气象条件时序表格为 WEATHER_raw.csv,
  • 降水指数和天晴指数:天气状况给出天气条件纷繁复杂,通过经验将天气状况列简单转换为降水指数和天晴指数两个指标。分别为feature/WEATHER_CON_LEVEL.csv 中RAIN_IND及CLEAR_IND对应列。
  • 由于人体对于气象参数的感受不为线性关系,生成人体舒适度指数SSD SSD=(1.818t+18.18)(0.88+0.002f)+(t-32)/(45-t)-3.2v+18.2 其中:温度t,湿度f,风速v
  • 城市天气确定:通过城市经纬度计算城市到各机场距离,城市对应天气采用与之最近的机场信息。

2.1.2 节假日信息

节假日信息 HOLI.csv,将日期类型简单分为三个类别,其中工作日标签为0,周末标签为1,假期标签为2。表格来源为比赛官方论坛。

2.2 数据清洗

数据清洗包含三部分,通过规则清除,通过模型预训练清除及仅保留销量统计信息。

2.2.1规则清除

  • 原始数据中,存在单用户某小时内大量购买的现象,如userID为9594359用户在2016年1月30日在shopID为878的商家累计购买了209次。针对此类现象,对于单个用户单小时内的购买数量x,采用以下公式处理消除异常消费:
  • 商家初始入驻口碑平台存在一定的启动时间,同时销售过程中会在销量中断的现象,如下图shopID为1072的商家所示。针对此类现象,开业前7天数据不用于训练集,销量间断前后3天数据不用于训练集。
  • 销量以历史过去14天销量的μ±2σ为限制,其中μ为均值,σ为均方根,以排除异常的销量数。

2.2.2 模型预训练清除:

详见第三部分。商家日销量,可能存在一些难以预计的大幅波动,如促销,商家停业等。对于这些规则难以清除的异常值,采用预训练的方式清除。模型训练中首先采用欠拟合的算法模型预训练,并清除残差最大的10%(xgboost1,GBDT)和25%(xgboost2)的样本。

2.3 仅保留销量统计信息:

由于只需要预测商家的日销量,无需识别单个用户的行为,按照大数定理,可以只针对分时段的浏览与购买总数进行预测。因而在数据清洗后,保留的数据仅按小时统计商户总销量,在这一步剔除了用户ID,使得数据量仅为原始的约1/10.


3 预测模型

pipeline.JPG-84.2kB 我们团队解题方案的整体架构如上图所示,最终销量预测结果由未来14天常规销量预测及双11修正系数预测两步两部分组成。通过双11修正系数,分别对于2016-11-11,2016-11-12,2016-11-13三天的销量按照1.0,0.2,0.1倍的系数作乘法修正。双11修正部分训练采用xgboost单模型,特征为商家特征信息,标签为上一年(2015年)双11当天的销量增量百分比。常规销量预测部分,采用基本模型有4套,分别为2套xgboost模型(特征处理及数据清洗程度不同),GBDT模型和均值模型。对于模型训练的具体说明如下:

3.1 常规销量预测模型

特征与标签

特征与标签 说明
历史销量特征 过去21天的历史销量
节假日特征 过去21天及预测14天的节假日标注
天气特征 过去21天及预测当天附近4天(之前两天,当天,之后一天)的降水量,人体舒适度SSD值,降水指数,天晴指数
商家特征 平均View/Pay比值,平均每天开店时间,关店时间,开店总时长;首次营业日期,非节假日销量中位数,节假日销量中位数,节假日/非节假日销量比值;商家类别,人均消费,评分,评论数,门店等级
标签 未来14天日销量

训练方式

  • 采用滑窗对于2000个商家日销量的时间序列生成481143条有效训练样本,清除间断前后及异常值后保留468535条样本。
  • 采用2次训练的方法,第一次采用最大深度为3欠拟合模型进一步清洗脏数据。采用了xgboost与sklearn的GBDT模型训练,具体参数如下: XGBoost-Round_1: 日销量仅作log处理,预训练后样本保留量为90%。 XGBoost-Round_2: 日销量仅作log处理后,采用过去三周的中位数作无量纲,预训练后样本保留量为75%。
XGBoost objective max_depth learning_rate n_estimators reg_alpha reg_lambda
Round_1 reg:linear 3 0.1 500 0 1
Round_2 reg:linear 5 0.03 1600 1 0

GBDT: 第一次训练样本保留量为90%。

GBDT loss max_depth learning_rate n_estimators alpha
Round_1 lad 3 0.1 500 0.95
Round_2 lad 5 0.1 500 0.95

3.2 历史均值模型

  • 输入:过去21天的历史销量,过去三周的销量相关度矩阵。
  • 输出:未来2周的销量及其对应在模型融合中置信度。
  • 方法:过去21天的按工作日平均,得到按工作日平均的均值销量。通过过去三周按周统计的销量中位数及平均值,做线性拟合得到销量增量。将历史均值销量叠加销量增量即得到未来2周预测销量。
  • 由于方法本质上寻找历史上相似的(过去三周相关度较高)销量曲线作为未来预测,本质上为均值模型与KNN方法的结合。
  • 置信度即为融合系数,仅当三周相关系数或后两周相关系数的最小值大于0.7时有效。均值模型的融合比例最大为0.75。融合系数计算方法为:

3.3 双11销量修正模型

  • 模型概述:需要预测的时间段(11月1日到11月14日范围内)包含双11节日。从诸多商家的销量图上能明显看到在双11当天存在较大波动,可能的原因为网商促销对实体店的冲击,双11作为光棍节对于餐饮业的促进。然而仅有约1/3的商家存在2015年双11的销量记录,需要通过这部分商家去年双11信息,预测其余商家双11销量表现。
  • 特征描述:仅包含商家特征,包含平均View/Pay比值,平均每天开店时间,关店时间,开店总时长;首次营业日期,非节假日销量中位数,节假日销量中位数,节假日/非节假日销量比值;商家类别,人均消费,评分,评论数,门店等级。
  • 双11销量增量,计算方法为上一年(2015年)11-11当天销量V1111与其前后两周对应工作日V1028,V1104,V1118,V1125的加权销量的比值,权重系数分别为$0.15,0.35,0.35,0.15$.
  • 训练方法: 采用xgboost单模型训练,由于双11当天对应的工作日不同,2015年数据并不能很好反映出2016年双11节假日情况,且超市便利店类商店存在大量的数据缺失。为防止过拟合,参数设置均较为保守,最大深度为2,且加了较大的$L_1$正则项,具体如下: max_depth = 2, learning_rate=0.01, n_estimators=500, reg_alpha=10, gamma = 1

3.4 模型融合

  1. 多套gradient boosting的结果间的融合 xgboost1,xgboost2, GBDT三份结果按0.47, 0.34, 0.19 比例融合。
  2. gradient boosting与均值模型融合 将均值模型结果与步骤1 gradient boosting 的结果融合,均值模型的融合系数为通过相关度得到的置信度。
  3. 双11系数进行销量调制 双11当天销量乘以双11销量修正模型得到的销量增量,11-12, 11-13由于为周六周日,有理由相信其销量与11-11(周五)的表现存在相似性, 因而乘以0.2及0.1倍的销量增量系数。

4 精简版的特征、模型与结果

由测评获得的Loss提升表格如下,按特征的重要性排序,分别为:历史销量特征,节假日特征,降水天气特征,商家特征。

方案 Loss
最后三周按工作日平均 0.895
最后六周按工作日平均,乘1.05系数 0.860
Xgboost+最后三周销量特征 0.824
上述增加,节假日特征 0.813
上述,增加天气,商家特征 0.798
上述,预训练剔除10%脏数据 0.791
上述,测试集10月缺失数据填补 0.788
增加双11节假日修正模型 0.780
Xgboost + GBDT模型融合 0.774
上述按相关系数融合平均销量 0.772

5 代码说明

Step1:生成精简版本user_pay, user_view 表格

data_new/table_regenerate.py

由于只需要预测商家的日销量,无需识别单个用户的行为,按照大数定理,可以只针对分时段的浏览与购买总数进行预测。此程序按小时统计商户销量,并进行用户异常刷单清理,生成精简版本的pay和view表格分别为,user_pay_new.csv 和 user_view_new.csv,文件大小减小至原始数据的1/10,以便后续访问及特征提取。

Step2:外部数据爬取

additional/Weather_underground_day.py

https://www.wunderground.com 按天读取机场所在地信息,爬取信息包含7列分别为[Port, Date, Precip , Rise_act, Rise_cil, Set_act, Set_cil],对应内容为[机场代号,日期,降水量,真实日出时间,修正日出时间,真实日落时间,修正日落时间]。

additional/Weather_underground_hour.py

https://www.wunderground.com 按小时读取机场所在地信息,爬取信息包含14列分别为[Port, Date, Time, Temp, Bodytemp, Dew, Humidity, Pressure, Visibility, Wind_dir, Wind_speed, Gust_speed, Event, Condition],对应内容为[机场代号,日期,时间,气温,体感温度,露点,湿度,压力,能见度,风向,风速,阵风强度,气象事件,气象条件]。

Step3:特征生成

feature/ WEATHER_FEATURES.py    

生成天气特征表 WEATHER_FEATURES.csv,包含四项,分别为人体舒适度SSH值,SSH值日增量,降水指数,天晴指数。

feature/ SHOP_FEATURES.py

生成商家特征表SHOP_FEATURES.csv,包含平均View/Pay比值,平均每天开店时间,关店时间,开店总时长;首次营业日期,非节假日销量中位数,节假日销量中位数,节假日/非节假日销量比值;商家类别,人均消费,评分,评论数,门店等级。

feature/ TEST_SELLS.py

生成测试集历史过去三周销量表格,修正异常销量,以历史过去14天销量的μ±2σ 为限制,其中μ为均值,σ为均方根

feature/FEATURE_MERGE.py

整合所有特征,生成方便训练模型读取的X.csv, Y.csv, Xtest.csv三个表格

Step4:常规销量模型训练

model/xgb_model1.py,model/xgb_model2.py,model/ GBDT_model.py

GBDT模型,详见3.1

model/correlation_model.py

均值模型,详见3.2

Step5:双11修正系数训练

model/ DOU11_model.py

双11修正模型,获得双11当天销量增加百分比,以此针对常规销量在11-11, 11-12, 11-13三天进行乘法修正。

Step6:模型融合

model/model_blend.py

各模型融合并作双11修正生成最终提交结果

6 总结展望

  1. 赛题关键在于各个商店总体销量预测,需要对于历史整体趋势有很好把握。预测日期11月1日到11月14日区间,由于距离国庆假期较近,容易受到脏数据干扰,因而特征提取过程中仅采用过去三周的信息提取特征。现有的解决方案中,对于周期更长的趋势仍把握不足。
  2. 预测日期包含了双11,给预测增加了难度。现有方案采用少量商家在2015年双11当天销量增量百分比预测其余所有商家在2016年的销量增量,存在着诸多不足。比如这两年的双11并不在同一个工作日,2015年缺少大量超市类数据等,导致训练集与预测集分布差异大。后续可能需要通过更多的相似节假日(圣诞,七夕)挖掘商家销量规律。
  3. 现有方法本质上没有体现出“时间序列”这一关键因素,比如历史三周销量只是生成了21个独立的特征,并没有非常好体现出其时间范围内体现出的规律。对于销量这一核心特征,应更多考虑在时间维度上的表现。前期曾考虑采用卷积神经网络CNN抽取各类信息在时间维度上的特征,后期由于精力有限放弃。