如何预测出工业蒸汽量？

1. 赛题介绍

火力发电的基本原理是：燃料在燃烧时加热水生成蒸汽，蒸汽压力推动汽轮机旋转，然后汽轮机带动发电机旋转，产生电能。在这一系列的能量转化中，影响发电效率的核心是锅炉的燃烧效率，即燃料燃烧加热水产生高温高压蒸汽。锅炉的燃烧效率的影响因素很多，包括锅炉的可调参数，如燃烧给量，一二次风，引风，返料风，给水水量；以及锅炉的工况，比如锅炉床温、床压，炉膛温度、压力，过热器的温度等。
赛题链接 ： https://tianchi.aliyun.com/competition/entrance/231693/introduction
2. 数据说明

数据分成训练数据（zhengqi_train.txt）和测试数据（zhengqi_test.txt），其中字段 V0-V37 ，这38个字段是作为 特征变量 ，“target”作为 目标变量 。
训练集：





测试集：





因此我们可以创建一个简单的深度学习模型Y=f(x)，使用V0-V37作为训练集(train set)的输入x，target作为模型的输出(即预测结果)，对预测结果的评估可以使用均方误差MSE(mean square error)。最后将测试集的数据输入到训练好的模型中，得到测试集的预测结果。
3. 实验步骤

3.1 数据清洗

需要先了解数据的特征及其分布，才能对数据进行清洗，有必要的话还可以提高特定数据的权重，来增强模型对数据的拟合程度。
将训练集和测试集的V0-V37合并，查看特征分布。
SelectKBest特征选择：





数据质量分布图：





使用目测法可以发现，特征中{V5，V9，V11，V17，V19，V20，V21，V22，V24，V28}的数据在训练集和测试集中分布不均匀，那么可以近似的理解为这些特征对模型的影响比较小，也就是模型对这些数据的学习可能对预测没有帮助，因此我们可以将这几个特征从数据集中移除，让模型只学习其他的特征。
（数据清洗部分我只考虑到了特征集合与模型学习的关系，应该再对横向的数据进行清洗，假设存在某行数据存在较大的误差，那么可能这个数据会对模型的学习产生负面影响）
3.2 数据归一化

为了能够更好的训练，最好将输入数据进行归一化（归一化可以将数据约束在一个区间），这里我们可以使用数据标准化(StandardScaler)或数据归一化(MinMaxScaler)处理数据。
考虑到后面深度学习网络使用的激活函数为ReLU，ReLU的计算结果是非负数，因此我使用的是数据归一化，将数据约束在0-1。
归一化结果：





3.3 数据划分

用于训练的数据，按照训练集和测试集按照 8:2 进行划分，然后导入模型训练并调参。如果最后训练效果良好，可以把训练集和测试集的比例再调高，有助于模型的学习，以及得出测试数据的最优结果。
3.4 建立模型

由于训练使用的特征为 28个 ，数量少于 32个 ，并且 训练样本 不超过 3000 ，根据经验得出，深度学习网络的隐藏层设置在3到5层较为合适。
因此可以构建类似下列模型：





废话：模型一共5个隐藏层，各层神经元个数为{28,32,64,32,16,1}，并使用ReLU作为隐藏层的激活函数。这里的各层神经元使用的是2的倍数，有一种说法是数据在GPU和CPU中是使用二进制存储的，使用2的倍数可以提高数据的计算速度，其实不使用2的倍数也可以，使用2的倍数只是起到一个方便修改参数的作用，同时神经网络具有优秀的泛化性，前后两层神经元个数差距不大也能得到良好的学习。所以各层神经元你想设为{28,48,64,32,16,1}也没有问题，别问问就玄学。
3.5 训练参数

[tr]NamevalueDescription[/tr]

batch_size	32	训练批次
epoch	500	训练轮数
learning_rate	0.001	学习率
weight_decay	0.01	权重衰减
optimizer	Adam	模型训练优化器

运行环境：
CUDA10.0、Python3.6.9、Pytorch1.2.0
3.6 运行代码


import numpy as np
import torch
import torch.nn as nn
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
import torch.utils.data as Data
import matplotlib.pyplot as plt


plt.rcParams['font.family'] = ['sans-serif'] # 中文乱码
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文乱码
plt.rcParams['axes.unicode_minus'] = False # 正常显示符号


class Model():
def __init__(self, sizes):
self.MSE = nn.MSELoss()
self.layers = nn.ModuleList()
self.train_loss_set = []
self.test_loss_set = []
for neuron, next_neuron in zip(sizes[:-1], sizes[1:]):
self.layers.append(nn.Linear(neuron, next_neuron))


def forward(self, x):
for layer in self.layers[:-1]:
x = torch.relu(layer(x))
x = self.layers[-1](x)
return x


def train(self, x_train, y_train, epochs, batch_size=1, lr=0.001, weight_decay=0.01):
self.train_loss_set = []
self.test_loss_set = []
optimizer = torch.optim.Adam(self.layers.parameters(), lr=lr, weight_decay=weight_decay)
# 数据集划分批次
torch_data_set = Data.TensorDataset(x_train, y_train)
loader = Data.DataLoader(dataset=torch_data_set, batch_size=batch_size, shuffle=True)
for e in range(epochs):
if e == 300 or e == 450:
lr /= 2
for (batch_x, batch_y) in loader:
y_hat = self.forward(batch_x)
loss = self.MSE(y_hat, batch_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
y_train_predict = self.forward(x_train)
train_loss = self.MSE(y_train_predict, y_train)
self.train_loss_set.append(train_loss.item())
print("Epoch:{} train loss:{}".format(e + 1, train_loss.item()))


if __name__ == '__main__':
# 训练数据路径
train_path = 'zhengqi_train.txt'
# 测试数据路径
test_path = 'zhengqi_test.txt'
# 保存结果路径
save_path = 'result.txt'
train_data = pd.read_table(train_path) # 读取训练数据
delete = [5, 9, 11, 17, 19, 20, 21, 22, 24, 28] # 不重要特征 V5 V9 V11 V17 V19 V20 V21 V22 V24 V28
data_range = [i for i in range(38) if i+1 not in delete] # 可以作为训练的列
# 训练批次
batch_size = 32
# 训练轮数
epochs = 500
# 学习率
learning_rate = 1e-3
# 权重衰减
weight_decay = 0.01
# 获得训练集
x_train, y_train = train_data.iloc[:, data_range].values, train_data.iloc[:, -1].values


test_data = pd.read_table(test_path) # 读取测试数据
x_result = test_data.iloc[:, data_range].values # 提取值


# 数据归一化
scaler = preprocessing.MinMaxScaler(feature_range=(0,1))
len_x_train = len(x_train)
len_x_result = len(x_result)
data = np.vstack((x_train, x_result))
data = scaler.fit_transform(data)
# 切割数据
x_train = data[:len(x_train)]
x_result = data[len(x_train):]


# numpy转tensor, view(n行,m列)
x_train = torch.from_numpy(x_train).float()
y_train = torch.from_numpy(y_train).float().view(-1, 1)
# 模型初始化
sizes = [len(data_range), 48, 64, 32, 16, 1] # 模型尺寸
model = Model(sizes) # 创建模型
model.train(x_train, y_train, epochs=epochs,batch_size=batch_size, lr=learning_rate, weight_decay=weight_decay) # 训练
# 预测测试数据
x_result = torch.from_numpy(x_result).float() # 标准化转float
y = model.forward(x_result) # 前向传播
print(y.shape) # 显示数据尺寸
np.savetxt(save_path, y.detach().numpy()) # 保存文本
# 绘制结果
plt.figure(figsize=(8, 6)) # 设置画布大小
plt.plot(model.train_loss_set, 'r-', linewidth=1, label='train mse') # 训练集损失
plt.legend()
plt.grid(True) # 显示网格
plt.show() # 显示图片
3.7 实验结果

训练过程：





蓝色 代表 测试集误差 ， 红色 代表 训练集误差 ，可以看出模型已经达到一个收敛状态，由于最后需要的是测试数据的预测结果，我将测试数据进行预测提交，得到的MSE为0.2759。
预测的误差挺大的，那么就需要进一步优化了，我把神经元个数调整成{28,48,64,32,16,1}，由于测试集是不参与训练的，于是我把原先的所有训练集和测试集合并进行训练，得到下面的训练误差结果：





接着使用训练完的模型，对zhengqi_test.txt的数据进行预测，提交后得到的MSE值为0.1232