http://antkillerfarm.github.io

簡介

天池大數據競賽是由阿里巴巴集團主辦，面向全球科研工作者的高端算法競賽。官網：

https://tianchi.shuju.aliyun.com/

和它類似的比賽，最著名的當屬國外的kaggle大賽。其官網：

https://www.kaggle.com/

但是，kaggle官網在國外，國內無論注冊還是登錄，都比較麻煩。

還有KDD挑戰賽：

http://www.kdd.org/kdd-cup

這是ACM主辦的年度數據競賽。

我之前雖然參加了其中的“廣東航空大數據創新大賽——機場客流量的時空分布預測”（2016.9～2016.11），然而由于首次參賽，各項準備和工具都不純熟，仰仗隊友給力，最終獲得了第318名。

注意：手機登錄天池網站的時候，瀏覽器必須選擇手機模式，否則無論賬號密碼正確與否，都無法正常登錄。

口碑商家客流量預測

概況

本次“口碑商家客流量預測”大賽由螞蟻金融服務集團，IJCAI 2017，阿里云主辦。

IJCAI是International Joint Conferences on Artificial Intelligence Organization的縮寫，屬于人工智能領域頂級會議之一。

比賽的內容和數據參見：

https://tianchi.shuju.aliyun.com/competition/introduction.htm?spm=5176.100066.333.4.0eh92S&raceId=231591

數據分析工具

主辦方提供了大約2G的原始數據。這個數據量采用Hadoop+Spark無疑是大才小用了。但是，數據庫尤其是SQL語言，在數據的整理和初步分析中的地位是無可替代的。因此，這里我選擇了MySql數據庫。

機器學習庫的語言有兩個選擇：R或python。考慮到以后研究tensorflow的需要，我選擇了python語言，這個相對來說更通用、更熟悉一些。

數據的預處理

將官方提供的csv數據導入數據庫。這里全部使用SQL語言。

1.根據官方提供的數據格式建立table。

2.使用load語句導入csv文件。

數據的初步分析

這里首先對user_pay和user_view兩張表進行粗粒度的統計。比如，統計兩表中最熱的10家店鋪的類型。

這里發現一個有趣的事實：用戶瀏覽數量最多的是火鍋店，前10家中占到了9家，而用戶購買最多的卻是快餐店和便利店。

這實際上暗合《機器學習（十四）》中提到的顯式反饋和隱式反饋的區別。

因為隱式反饋的數據有效性（這里指單位數據中包含的有效信息的數量，也可稱作信息豐度）不如顯式反饋，所以通常需要有多出1到2個數量級的隱式反饋數據，才能得到足夠的信息以輔助預測顯式反饋。

而官方的數據正好相反，隱式反饋數據的數量只有顯式反饋的十分之一，且并不包含待預測時間段的數據。因此，user_view實際上是沒什么用的數據。

select count(distinct user_id) from user_pay;
select count(*) from user_pay;

其次，對用戶行為進行分析。誠如論壇某網友指出的，這批數據平均下來一個用戶還不到4條交易記錄（19583949個用戶，69674110條交易記錄），這都能找出規律，那就不是人而是神了。

針對這樣的分析，為了便于計算，我們新建了shopcount表用于存放店鋪的客流數據，而忽略客流本身的其他信息（這里主要是user_id）。

新建shopcount表之后，計算效率得到極大的提升，原來從user_pay中查詢一個店鋪的客流信息需要2分鐘左右的時間，而現在不到1秒鐘。

數據建模初步

上圖是其中一家店鋪的客流數據。從直觀上來看，這樣的波形十分類似信號處理領域中的：一個低頻信號疊加一個高頻信號。

因此，該數據的模型可定義為：

f=flow+fhigh(1)

其中，fhigh表示高頻信號。通過測量兩個波峰的間隔，不出意料的，這個時間間隔是一周。這與人們的日常常識也是吻合的。

flow表示低頻信號，也就是每周平均客流量的長期變化函數。

數據清洗

對于圖中數據波形不規則的地方，稍加留意就可以發現：不規則的數據主要出現在節日，尤其是春節、五一和國慶。而待預測的時間段不在重大節日期間。因此，需要將上述時段的數據排除在統計之外。

數據建模進階

公式1需要進一步細化為可執行的算法。考慮到一周的客流數據是離散數據，因此fhigh擬合的一種最簡單的方法就是：

1.統計每周一的數據，計算周一的均值D1。

2.按照第1步的方法，統計周二、周三、……、周日的均值D2,…,D7。

3.令

D=D1+?+D77

則fhigh的離散采樣為：

{WD1D,…,WD7D}(2)

其中W表示基數，它的值由flow來確定。

我們可以從另一個角度來觀察公式2。如果把客流分為固定客流和變化客流的話，則客流模型也可寫作：

f=ffix+falter

如果將周最小客流值Dmin定義為ffix的值的話（假設1），可以觀察到DminD的值，并不隨D的大小變化而有顯著改變。也就是說平均客流的一定比例轉化為了固定客流。假定這個轉化比例不變（假設2），則可推出公式2的結論。

flow（也就是公式2中的W）就沒有那么規律了，這里我做了如下嘗試：

Method 1

令W=W(?1)=W(0)=W(1)。待預測時間段為2周，我們將其中的第1周的客流均值記作W(0)，第2周的記作W(1)。其他的可以此類推。

這種方法的Loss為0.085647。

Method 2

Method 1相當于是flow在W(?1)處進行常數展開。為了更精確的描述函數，我們亦可考慮進行一次項展開。即：

W(0)=W(?1)+W′(?1),W(1)=W(0)+W′(?1)

W′(?1)原則上可以用W(?1)?W(?2)獲得，但是由于數據的短期波動性較大，這樣求得的斜率穩定性很差，不適合用于預測。

可以對W使用FIR濾波和IIR濾波，然后用濾波值計算，以獲得穩定的斜率。

Method 2的最終結果并不理想，無論是沿著梯度方向，還是相反方向都得不到更好的結果。但是針對W的FIR濾波和IIR濾波取得了較好的結果。

最終Loss為0.08500277。

天氣因素

論壇上有網友提供了相關的天氣數據。經過我的分析，惡劣天氣的確會減少客流量，這也與常識相符。

然而，待預測時段（2016.11.1～2016.11.14）正好是我國氣候最好的時段，北方秋高氣爽，但又不太冷，南方的雨季和臺風季也基本結束。因此，天氣因素注定不會有多少發揮的空間。

模型的繼續改進

Method 2中的濾波，主要針對的是某些店鋪在預測時段之前流量的大起大落。在取得較好的結果之后，促使我思考另一個問題。

我在分析之初就發現，使用10月31日的值作為W值的效果，沒有使用之前一周的均值作為W的效果好。那么是否使用更長時間的均值，效果會更好呢？

首先，使用IIR均值或者超過3周以上的FIR均值的情況可以排除，歷史效應畢竟是歷史效應，不可能一年前的數據和最近的數據影響力相等。

經過實踐，我發現：

W(0)=W(?1)+W(?2)+W(?3)22

的效果要優于三周均值和一周均值，這即體現了歷史數據的意義，也兼顧了近期數據的重要程度。

修改之后，Loss為0.08331434。

雙十一效應

待預測時段雖然沒有國家法定節日，但有雙十一節，這個在年輕人群中有一定的知名度。而年輕人群也是使用口碑的熱點人群。因此，需要對11.11的客流數據，進行一定程度的加成處理。

加成5%的結果的Loss為0.08298507。

加成15%的結果的Loss為0.08309067。

最終，加成9%的結果的Loss為0.08289156。

對于fhigh改進的思路

雙十一效應的成功，使我打算嘗試進一步改進fhigh。

嘗試使用最近3周的數據，估算D值。結果Loss為0.09959968。

當然這個結果完全在我意料之中，一般來說，D值還是IIR濾波值比較準。

刷榜的終結

采用類似雙十一效應的刷榜方式，實際上還可以進一步提高結果，最終我的成績定格在0.8137。但是，這種方式顯然不是我想要的，我不想再這樣在沒有理論依據的情況下，單純用湊數字的方式提高成績，于是我的參賽之旅也就終結于此了（2.21）。況且這種方式也有其極限，我估計其極限最多也就是0.809。想獲得更好的成績，一定要有其他更好的思路才行。

比賽結果及代碼

最終結果：第1賽季排名：91 第2賽季排名：166

源代碼：

https://github.com/antkillerfarm/antkillerfarm_crazy/blob/master/python/ml/tc/tc0215.py

創建數據庫的SQL語句：

https://github.com/antkillerfarm/antkillerfarm_crazy/blob/master/helloworld/mysql/tc.sql

導入數據的SQL語句：

https://github.com/antkillerfarm/antkillerfarm_crazy/blob/master/helloworld/mysql/import.sql

其他相關中間結果表的SQL語句：

https://github.com/antkillerfarm/antkillerfarm_crazy/blob/master/helloworld/mysql/tc_view.sql

Storm

Storm是一個大數據領域的實時計算框架。

官網：

http://storm.apache.org/

教程：

http://storm.apache.org/releases/current/Tutorial.html

http://blog.csdn.net/rzhzhz/article/details/8788137

http://ifeve.com/getting-started-with-stom-index/

http://blog.csdn.net/NB_vol_1/article/details/46287077

http://www.open-open.com/lib/view/open1374979211233.html

示例

這里使用源代碼中自帶的示例。

1.下載源代碼。

2.mvn clean install -DskipTests=true

3.進入examples/storm-starter目錄：

mvn compile exec:java -Dstorm.topology=org.apache.storm.starter.ExclamationTopology

Trident

Trident是在storm基礎上，一個以realtime計算為目標的高度抽象。它在提供處理大吞吐量數據能力的同時，也提供了低延時分布式查詢和有狀態流式處理的能力。

教程：

http://storm.apache.org/releases/current/Trident-tutorial.html

http://blog.csdn.net/derekjiang/article/details/9126185

Storm vs Spark

http://blog.csdn.net/iefreer/article/details/32715153

問題匯總

http://blog.sina.com.cn/s/blog_8c243ea30101k0k1.html

集群部署

Storm的本地模式，無須hadoop生態圈軟件的支持，自己就能運行。但它的集群部署依賴Zookeeper和YARN。

1.配置YARN和Zookeeper，并啟動相關服務進程。

2.配置Storm

https://storm.apache.org/releases/current/Setting-up-a-Storm-cluster.html

3.啟動Nimbus和Supervisor

Nimbus和Supervisor都是Storm服務進程，前者運行在Master上，而后者運行在Node上。這里的Master和Node，可以和Zookeeper或YARN設置的不同。

Nimbus的作用是將運行的jar分發到各Node去執行。

雖然bin/storm nimbus可以啟動nimbus，然而這種方法啟動的是前臺進程，一旦退出終端，進程就會被殺死。可用如下方法解決之：

start-stop-daemon --start --background --exec /root/apache-storm-1.0.2/bin/storm nimbus

總結

以上是生活随笔為你收集整理的天池大赛, Storm的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。