本赛题基于位置数据对海上目标进行智能识别和作业行为分析， 通过分析渔船北斗设备位置数据，得出该船的生产作业行为，具体判断出是拖网作业、围网作业还是流刺网作业。
| 渔船ID | x | y | 速度 | 方向 | time | type |
|---|---|---|---|---|---|---|
| 1102 | 6283649.656204367 | 5284013.963699763 | 3 | 12.1 | 0921 09:00 | 围网 |
- 渔船ID: 渔船的唯一识别，结果文件以此ID为标示
- x: 渔船在平面坐标系的x轴坐标
- y: 渔船在平面坐标系的y轴坐标
- 速度: 渔船当前时刻航速，单位节
- 方向: 渔船当前时刻航首向，单位度
- time: 数据上报时刻，单位月日 时：分
- type: 渔船label，作业类型
通过wisdom ocean中的渔船轨迹，以及作业 方式的专业知识，可提取如下基本特征
| x | y | 速度 | 方向 | 时间 | 轨迹 |
|---|---|---|---|---|---|
| mode | mode | mode | mode | go_time | x_max_x_min |
| mode_count | mode_count | mode_count | mode_count | diff_days | x_max_y_min |
| mean | mean | mean | mean | diff_hours | y_max_y_min |
| mid | mid | mid | mid | diff_seconds | y_max_x_min |
| std | std | std | std | is_weekday | x_max_y_max |
| max | max | max | max | x_min_y_min | |
| min | min | min | min | area | |
| count | count | count | count | per | |
| skew | skew | skew | skew | a | |
| b | |||||
| c | |||||
| d | |||||
| e |
| 1/4x~4/4x | y、速度、方向同理 |
|---|---|
| n_point | 方向以4象限分割 |
| y(sta) | |
| y_max_y_min | |
| 速度(sta) | |
| v_max_v_min | |
| 方向(sta) | |
| d_max_d_min |
- 备注：以不同维度不同的分位点分割，计算其它维度的统计量
| VarianceThreshold | StandardScaler | MinMaxScaler | SelectFromModel |
|---|---|---|---|
| 剔除低方差特征 | 标准化 | 归一化 | 特征选择,基于随机森林 |
| 模型 | gbdt | xgb | lgb | rf | svm | lr | knn |
|---|---|---|---|---|---|---|---|
| train | 1.0 | 1.0 | 1.0 | 0.9996 | 0.9852 | 0.6018 | 1.0 |
| val | 0.9126 | 0.9208 | 0.9183 | 0.8972 | 0.7531 | 0.5964 | 0.7650 |
- 评分函数
f1_score(y_val, pre_val, average='macro')
| 5_fold | model | model | model | model | model | model_1 | model_2 | ... | svm(kernel='linear') | ||
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | train | train | train | train | val | y_val_1 | y_val_2 | train | |||
| 2 | train | train | train | val | train | y_val_1 | y_val_2 | train | |||
| 3 | train | train | val | train | train | y_val_1 | y_val_2 | train | |||
| 4 | train | val | train | train | train | y_val_1 | y_val_2 | train | |||
| 5 | val | train | train | train | train | y_val_1 | y_val_2 | train | |||
| test | test | test | test | test | test | y_average_1 | y_average_2 | test |
代码见ensemble.py