原始数据能用到的特征分为三块。
-
pid的属性（三分之一缺失）
-
OD延伸出来的距离，角度和本身的经纬度数值信息
-
plan里的信息
根据ijcai-2018 植物大佬的经验，我们希望能用OD的信息来表征pid，用pid的信息表征OD，而且上面的数据探索也证明了交叉特征对于模型会有帮助， 实际在后续的验证过程中，直接乘除或者利用逻辑符变成二值特征（比如距离是否大于5公里和时间是否大于晚上九点，是的话为1，不是为0）并没有什么作用， 所以用xlearn里的FFM进行二分类预测，并把输出概率作为特征加入到LightGBM多分类模型里。
除了以上提到的原始信息之外，还加入了以下特征，在特征重要性分析时，还挺重要的。
-
OD的功能区表达embedding（百度这次比赛源于论文“Joint Representation Learning for Multi-Modal Transportation Recommendation”，比赛 里的话都是从论文里摘抄的，不过论文更像是推荐的召回阶段，即matching，我们做的是rank，所以我读了几篇论文后面的引文，找到了这个获取OD表达 的方法，感觉这样就不用依赖于外部数据，通过用户出行规律来划分OD的功能区，比如办公区，娱乐区，住宅区等）；
-
OD的frequency encoding，比直接类别编码好用；
-
pid上一下请求时间差，下一次请求时间差，从同样起点请求时间差，从同样终点请求时间差；
-
同类用户出行距离的方差、均值、最大值和最小值；
-
同类用户从同一起点，百度地图推荐交通方式的频率，比如A用户从a点搜了10次，在这10次里，交通方式2推荐了5次，那么频率就是0.5，所以这一个 特征实际上有11列；
-
还有杂七杂八的一些特征；
code里baseline_phase_2是主文件，先运行其它文件生成特征存在output文件夹里，再运行主文件。