二つの予約システムの予約データと訪問データを使用して、今後のレストランへの訪問者の総数を予測するコンテスト。
評価関数は、平方平均二乗対数誤差で算出する。
データセットの概要
訓練データは2016年から2017年の、テストデータは、2017年の4月と5月の最後の週の二つの予約サイトの以下のデータ（店の場所、ジャンル、予約時刻、来客者数、日付が休日かどうかのデータ）結果はゴールデンウイークを含めたものの提出が必要だが、意図的に抜いている。
＊＊＊_reserve.csv
- ＊＊＊_store_id – ＊＊＊システムのレストランのID
- visit_datetime – 予約時刻
- reserve_datetime – 予約が行われた時刻
- reserve_visitors – その予約による来客者
＊＊＊_store_info.csv
- ＊＊＊_store_id
- ＊＊＊_genre_name – ジャンル
- ＊＊＊_area_name – 地域名
- latitude – 緯度
- longitude – 経度
store_id_relation.csv – 両方のシステムに登録されたレストランの、IDのリレーション。
- hpg_store_id
- air_store_id
air_visit_data.csv – air restaurantsの履歴データ
- air_store_id
- visit_date – 日付
- visitors – その日のレストランへの訪問者の数
sample_submission.csv – 提出ファイルの形式を表示したもの。
- id – idは、air_store_idとvisit_dateをアンダースコアで連結
- visitors – 店舗と日付の組み合わせで予測される訪問者の数date_info.csv – 日付のデータ
- calendar_date – 年月日
- day_of_week – 曜日
- holiday_flg – 日本の休日かどうか
結果予測のための主要な問題点
- 訓練データにはない、ゴールデンウィークへの集客予測
よく行われている前処理、特徴量エンジニアリング
- 週末/休日フラグによる重み付けの調整
- 予約時間と訪問時間が異なるものを、ずれの範囲ごとに分類
- 徒歩圏内の類似ジャンルの店舗数を集約
- 年末年始に非常に高い予約者数になるので、外れ値を異常値としないよう処理
- 各店舗の季節ごと、曜日ごとに重み付けを行う
- データセットにはない気象データから、降水量と気温を作成
- 二つの異なる予約サイトのデータのため、両方に登録されている店舗があるが、
成績上位者のモデルや工夫
- さっとみた感じでは、モデルはニューラルネットワークなどのディープラーニングが中心。あと、LightGBMというのがあった。
- トレーニングデータを使用、応用するだけでなく、他で公開されているデータを使用したりしている.
- 必要なこと、足りないこと
- 実践ではなんでもあり。業務知識、経験を短期間で見つける必要がある。