URFC-top4

KO | EN

gitlite — search

#hacktoberfest #react #ai #typescript #android #rust #deep-learning #linux #nodejs #java #awesome-list #security #ios #mcp

(★ 28)

Baidu Big Data Contest 2019: Urban Region Function Classification, top4

URFC-top4 Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

## Baidu Big Data Contest 2019: Urban Region Function Classification, Top4

### 团队介绍
队名：Turing  
成员：
- 中南大学硕士：罗涛，李楠，王艺霏，李迎港  
- 华南理工大学硕士：陈暄群

名次：决赛第四，一等奖
### 赛题描述

&#8195;&#8195;本次大赛的赛题是一个九分类问题，需要构建一个城市区域功能分类模型，对于给定的区域，根据区域的遥感图像和用户到访数据，预测区域功能类别。 数据集的每一个样本都包含了两种数据，一种是该区域的遥感图像数据，另一种是该区域的多条用户到访数据。用户到访数据包含了用户ID与到访时间。  
竞赛官网:https://dianshi.baidu.com/competition/30/rule

### 相关链接
解决方案的详细介绍：  https://zhuanlan.zhihu.com/p/82410926  
决赛答辩PPT：  https://pan.baidu.com/s/1zx5o_O0KVP-q8fadXI6ZOw     &#8195;&#8195;提取码：zp3p  
竞赛故事：  https://blog.csdn.net/destiny19960207/article/details/100693799

### packages
lightgbm>=2.2.3  
torch>=1.1.0  
torchvision>=0.3.0  
pandas>=0.23.0  
imgaug>=0.2.9

### 代码分为四个模块：  
* 规则(rule文件夹)  
* CNN(CNN文件夹)  
* LGB基模型(LGB文件夹)  
* 模型集成(model ensemble文件夹)

### 1. 规则
&#8195;&#8195;由于用户的行为总是具有自身的独特性，所以用户ID携带了丰富的信息。通过分析训练集和测试集的ID特征，我们发现训练集和测试集的用户重叠率极高，测试集的5千万用户中有4300万都在训练集中出现过，重叠率超过80%，因此我们设计了规则对用户ID进行挖掘。  
&#8195;&#8195;规则分为两种：基于时间的规则、基于可信用户的规则。  
### 基于时间的规则：  
&#8195;&#8195;所有历史用户都有投票权，票数等于其所在训练集对应类别的区域出现的时长。  
       基于时间的规则，对于单个测试样本中的用户集合，将其与训练集的用户集合求交集，得到的交集我们称为历史用户集合。对于每一个历史用户，我们可以分别求得他在训练集中9个区域所待时长，将每个历史用户在9个区域对应的时长相加，时长最多的那个类别就是预测类别。（这里的时长根据粗细粒度划分，可以是天数、每天的平均小时数、周末的天数、小时数，得到4个不同的时长规则）  
### 基于可信用户的规则：  
&#8195;&#8195;在基于可信用户的规则中，我们定义了严格高可信用户和广义高可信用户两种用户。  
&#8195;&#8195;若用户在训练集中只去过类别C的地区，则该用户为严格高可信用户，并将该用户的选票设为C。  
&#8195;&#8195;若用户在训练集中某个类别C区域出现的天数超过其出现总天数的50%，则该用户为广义高可信用户，将该用户的选票设为C。  
&#8195;&#8195;通过定义可信用户，去掉了部分用户，留下的用户是对分类更有利。获取可信用户的选票后，使用可信用户投票的方式对测试样本进行分类。只有可信用户拥有投票权，每个可信用户只能给其“选票”所在类别投上一票。
通过定义可信用户，去掉了部分用户，留下的用户是对分类更有利。获取可信用户的选票后，使用可信用户投票的方式对测试样本进行分类。
* (1) 基于总时长的规则  rule/totaltime/rule.ipynb  
 	&#8195;&#8195;遍历训练集的每个用户的时长，再分类别 统计测试样本中老用户的时长，哪个类别的老用户时长大，就分为哪类  
    &#8195;&#8195;分两步：  
    - 第一步：对训练集进行遍历的代码  
    &#8195;&#8195;遍历训练集的原始visit txt文件，分9个类别记录每个用户的总时长。输出9个txt，每个文件对应一个类别，每个文件中两列记录用户id和时长。对于每个类别，依据时长对用户排序，删除时长低的80% 或 90% 的用户，再合并同一类别中的相同用户，时长相加  
    - 第二步：测试代码  
    &#8195;&#8195;将第一步输出的txt文件读取，得到训练集的用户时长，存入9个字典中，每个字典对应一个类别，字典的key是用户id，字典的值是该用户的时长，（使用字典可以明显加速，因为对于上亿的用户量进行用户查找是很耗时的）。对于每个测试样本，根据老用户的时长总和，可以得到：该样本内的老用户在训练集中每个类别的时长。代码最终会得到一个npy文件：id2num_test.npy，其维度为[样本数量,9]，二维矩阵，数值越大，我们就倾向于将样本分类为这一类。  
* (2) 基于天数的规则（剔除了训练集中天数少的90%用户）  rule/day/rule.ipynb   			
* (3) 基于平均时长的规则  rule/hour/rule.ipynb  			
* (4) 基于严格高可信用户的规则  rule/cxq/rule.py   
&#8195;&#8195;先从训练集中找出严格高可信用户，并设置选票。再对单个测试样本，利用严格高可信用户的选票对类别进行投票，投票得到的向量（长度为类别数量9）用于后续集成学习。  
* (5) 基于广义高可信用户的规则  rule/cxq2/rule.py  			  	
* (6) 基于天数的规则  rule/lyg_day/rule.ipynb		  
* (7) 基于周末的规则  rule/lyg_holiday/rule.ipynb

### 2. CNN
将40万样本随机划分为35万训练集样本和5万验证集样本。  
预处理：  
&#8195;&#8195;CNN/model1/data_txt/cleaned.py  		&#8195;&#8195;从35万训练集样本中除去了约1300张黑图样本  
&#8195;&#8195;CNN/model1/data_txt/resample_txt.py 	&#8195;&#8195;针对类别不均衡问题，进行重采样，采样之后训练集样本大约94万  
&#8195;&#8195;CNN/model1/Dataloader/MultiModal_BDXJTU2019.py      &#8195;&#8195;利用imgaug，在训练时做了数据增强  
CNN双分支网络结构：  
&#8195;&#8195;将visit处理成[7,26,24]的三维矩阵，经过一个DPN网络，编码为向量。将图片经过一个卷积网络，编码为向量。将两个向量拼接，实现了visit和图片的特征融合，再接一个全连接层，进行分类。  
&#8195;&#8195;visit的尺寸太小，不能使用深层的预训练CNN（因为太多的池化层导致feature map尺寸太小，信息丢失），visit分支网络使用随机初始化的DPN26，图片的卷积网络使用不同的预训练CNN，得到以下不同的网络模型：  
	1）	se_resnext101_32x4d  
			CNN/model1/train_model1.py    		&#8195;&#8195;训练代码  
			CNN/model1/test_model1.py     		&#8195;&#8195;测试代码  
			CNN/model1/val.py  			 		&#8195;&#8195;验证代码  
	2）	se_resnext50_32x4d  
			CNN/model2/train_model2.py    		&#8195;&#8195;训练代码  
			CNN/model2/test_model2.py     		&#8195;&#8195;测试代码  
			CNN/model2/val.py             		&#8195;&#8195;验证代码  
	3）	se_resnet50  
			CNN/model3/train_model3.py    		&#8195;&#8195;训练代码  
			CNN/model3/test_model3.py     		&#8195;&#8195;测试代码  
			CNN/model3/val.py             		&#8195;&#8195;验证代码  
	4） resnet101  
			CNN/0.71_resnet101/train.py   		&#8195;&#8195;训练代码  
			CNN/0.71_resnet101/test.py    		&#8195;&#8195;测试代码  
			CNN/0.71_resnet101/val.py     		&#8195;&#8195;验证代码  
	5） resnet50  &#8195;&#8195;5折交叉  
			CNN/0.71_resnet50_5fold/train.py    &#8195;&#8195;训练代码  
			CNN/0.71_resnet50_5fold/test.py     &#8195;&#8195;测试代码  
			CNN/0.71_resnet50_5fold/val.py      &#8195;&#8195;验证代码  
	6） resnet50   
			CNN/0.71/train.py  					&#8195;&#8195;训练代码  
			CNN/0.71/test.py    				&#8195;&#8195;测试代码  
			CNN/0.71/val.py     				&#8195;&#8195;验证代码  
	6） se_resnet50  		 &#8195;&#8195;十折交叉，后续集成时只用了其中8折的模型  
			CNN/A/train.py  					&#8195;&#8195;训练代码  
			CNN/A/test.py    					&#8195;&#8195;测试代码  
			CNN/A/val.py     					&#8195;&#8195;验证代码  
	7)  se_resnext50_32x4d   &#8195;&#8195;十折交叉，后续集成时只用了其中1折的模型  
			CNN/B/train.py  					&#8195;&#8195;训练代码  
			CNN/B/test.py    					&#8195;&#8195;测试代码  
			CNN/B/val.py     					&#8195;&#8195;验证代码  
	8)  se_resnext101_32x4d  &#8195;&#8195;十折交叉，后续集成时只用了其中8折的模型  
			CNN/C/train.py  					&#8195;&#8195;训练代码  
			CNN/C/test.py    					&#8195;&#8195;测试代码  
			CNN/C/val.py     					&#8195;&#8195;验证代码  
	9)  squeezenet1_0  
			CNN/squeezenet1_0/train.py  		&#8195;&#8195;训练代码  
			CNN/squeezenet1_0/test.py   		&#8195;&#8195;测试代码  
			CNN/squeezenet1_0/val.py     		&#8195;&#8195;验证代码

### 3. LGB基模型  
LGB/lgb.py  
&#8195;&#8195;遍历visit的txt文件，统计每个样本的24小时的人数。对于每个样本，都有24维的特征，将24维特征作为lightgbm的输入，进行分类。本部分对集成起的作用不大。

### 4. 集成学习
&#8195;&#8195;model ensemble/ensemble.ipynb       &#8195;&#8195;lightgbm集成代码

&#8195;&#8195;7个规则、28个卷积网络（同一种网络的K折交叉算作不同模型）、1个LGB，一共36个模型。
集成的步骤：  
&#8195;&#8195;1. lgb的训练：对于每个验证集样本，将36个单模型分别对其预测，得到36个模型的输出，再将36个模型的输出进行归一化(每个模型输出的9个数单独归一化，模型间互不干扰)，并拼接成324的一维向量，将长度为324的特征作为lightgbm的输入，将样本的真实标注作为lightgbm的输出，训练一个lightgbm。  
&#8195;&#8195;2. lgb的测试：对于每个测试集样本，将36个单模型分别对其预测，得到36个模型的输出，再将36个模型的输出进行归一化(每个模型输出的9个数单独归一化，模型间互不干扰)，并拼接成324的一维向量，将长度为324的特征作为lightgbm的输入，利用1中训练好的lgb进行测试，得到每个测试样本的预测类别。

### References: 
&#8195;&#8195;https://github.com/czczup/UrbanRegionFunctionClassification  
&#8195;&#8195;https://github.com/ZHOUXINWEN/2019Baidu-XJTU_URFC  
&#8195;&#8195;https://github.com/xjtuwxliang/URFC2019_Preliminary?tdsourcetag=s_pcqq_aiomsg

### 附录：
&#8195;&#8195;有几个准确率较低的弱模型，但是去掉这些弱模型均会导致集成后的准确率略微降低，因此我们在最终集成时保留了这些相关性低的弱模型。  
1)每个CNN模型在验证集的准确率

2）每个规则在验证集的准确率

3）LGB基模型的验证集准确率

| LGB基模型 | Acc |
| :----: | :----: |
| LGB | 0.6181 |

URFC-top4

URFC-top4 Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

URFC-top4

URFC-top4 Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README