一、赛题描述

在电动汽车充电站运营管理中，准确预测充电站的电量需求对于提高充电站运营服务水平和优化区域电网供给能力非常关键。本次赛题旨在建立站点充电量预测模型，根据充电站的相关信息和历史电量数据，准确预测未来某段时间内充电站的充电量需求。

在赛题数据中，我们提供了电动汽车充电站的场站编号、位置信息、历史电量等基本信息。我们鼓励参赛选手在已有数据的基础上补充或构造额外的特征，以获得更好的预测性能。

参赛者需要基于这些数据，利用人工智能相关技术，建立预测模型来预测未来一段时间内的需求电量，帮助管理者提高充电站的运营效益和服务水平，促进电动汽车行业的整体发展。

二、赛题题目

AI +新能源：电动汽车充电站充电量预测

三、赛题任务

【初赛】

根据赛题提供的电动汽车充电站多维度脱敏数据，构造合理特征及算法模型，预估站点未来一周每日的充电量。（以天为单位）

结果文件提交时间：2023年10月10日 - 2023年11月7日

【初赛复核】

前50名代码提交时间：2023年11月16日 - 2023年11月27日

【复赛-A榜】
根据赛题提供的电动汽车充电站多维度脱敏数据，构造合理特征及算法模型，预估站点未来一周每小时的充电量。

时间：2023年11月30日 - 2023年12月12日（12月12日00:00截止提交）

【复赛-B榜】
根据赛题提供的电动汽车充电站多维度脱敏数据，构造合理特征及算法模型，预估站点未来一周每小时的充电量。

时间：2023年12月12日 - 2023年12月29日（12月29日00:00截止提交）

【决赛】

决赛阶段采用线下答辩的方式，晋级决赛队伍需要提前准备答辩PPT及相关支撑材料，评委将根据选手的初复赛成绩及现场表现进行综合评分，决定最终排名，最终解释权以组委会通知为准。

时间：2024年4月15日

四、数据描述

【初赛】

本赛题提供的数据集包含三张数据表。

其中，power_forecast_history.csv 为站点运营数据，power.csv为站点充电量数据，stub_info.csv为站点静态数据，训练集为历史一年的数据，测试集为未来一周的数据。

数据集清单与格式说明：

注：

（1）h3编码是一种用于分层地理编码的系统，可以将地球划分为不同的六边形网格。选手可以尝试使用 h3 编码来构造与地理位置相关的额外特征。

（2）脱敏字段，不提供字段业务描述，供选手自由探索。

主办方对此类数据保留全部所有权、知识产权和使用权，参赛者承诺不得将此类数据进行任何商业化使用。

点击下载

【复赛】

数据表含义、数据集清单、格式说明与初赛保持一致。

主办方对此类数据保留全部所有权、知识产权和使用权，参赛者承诺不得将此类数据进行任何商业化使用。

复赛数据点击下载

五、评估指标

【初赛】

评估指标：

式中为第个数据的真实值，为第个数据的预测值，n为样本总数。

【复赛】

复赛分A、B榜，复赛A、B榜的评估指标都为。复赛最终评估指标以复赛A榜的和复赛B榜的的加权结果作为最终的得分。

其中，为复赛A榜的得分权重，为复赛B榜的得分权重。其中，=0.4，=0.6。

【决赛】

六、提交说明

【初赛】

选手需要根据给定的测试集，预测出目标变量值（站点充电量），并以csv格式（列形式）保存，文件名为result.csv。

初赛提交样例如下：

注：选手提交的result.csv文件中数据的类型与给定的测试集数据类型一致。为避免评测过程编码格式导致评测错误的影响，统一以utf-8编码保存。

【初赛复核】

初赛复核阶段需要上传完整的、可复现的代码，并提供代码复现说明文档，在requirements.txt文件写明代码所使用的依赖包文件。

请将所需提供文档打包成.zip压缩包进行提交，压缩包文件大小不超过1G，参赛作品需以“参与赛道-团队名.zip”命名

注：

（1）初赛复核阶段的代码提交格式详见代码提交格式说明。

（2）初赛阶段结束后，通过实名认证的TOP50团队晋级入围初赛评审环节，要求前50名团队提交最优成绩对应的训练预测代码进行审核，代码提交截止时间11月18日。组委会将审核并剔除存在作弊行为的队伍，晋级空缺名额递补。最终符合要求的排名前32名参赛队伍将进入复赛。

【复赛-A榜】

复赛A榜进行线下代码训练及预测。

提交要求同初赛，复赛A榜提交样例如下：

注：选手提交的result.csv文件中数据的类型与给定的测试集数据类型一致，提交的文件记录数与提交示例中的记录数保持一致。为避免评测过程编码格式导致评测错误的影响，统一以utf-8编码。

【复赛-B榜】

复赛B榜进行线上代码训练及预测，分为调试和复现两个阶段。

代码提交格式说明

代码提交规范目录结构如下。（需严格按照代码规范上传，否则导致的问题将由选手自行承担）

|-- project

|-- code

|-- train

|-- model

|-- raw_data

|-- train

|-- test

|-- temp_data

|-- result

|-- result.csv

|-- requirements.txt

|-- description

|-- description.md

1）测试代码文件夹 code/

选手需要将针对测试集的测试代码放入该文件夹中，并提供main.py文件作为程序入口，确保可以通过执行该文件来运行训练、预测程序，得到最终结果。

2）训练代码文件夹 train/

选手需要将针对训练集的训练代码放入该文件夹中，并在main.py中调用，确保可复现训练过程。

3）模型文件夹 model/

选手需要将训练代码生成的模型文件放入该文件夹中，并注意不要将本地训练的模型文件上传到该文件夹。

4）原始数据文件夹 raw_data/

选手无需提交原始竞赛数据文件，只需提交上文描述的raw_data目录结构，其中：

train：挂载训练集

test：挂载测试集

5）中间数据文件夹 temp_data/

选手需要将必要的中间数据及额外数据放入该文件夹中。

6）预测结果件夹result/

选手需要将测评结果保存成.csv格式，并放入该文件夹。.csv文件中包含的内容可参考提交说明。

7）依赖说明文件requirements.txt

选手需要将训练与测试代码所使用的依赖（需要安装的Python package）在requirements.txt文件中写明。

8）说明文档文件夹description/

选手需要将含有算法思路、亮点解读、建模算力与环境的说明文档，以markdown格式进行保存，并放入该文件夹。说明文档内容可参考以下结构：

编程思路：简要说明算法编程实现方法和路径，提供核心代码段。

特色亮点：简要说明算法和程序在运算速度、效率等方面的特点和优势。

编程语言：采用的主要编程语言（必须注明版本号，如python3.7）。

软件运行环境：说明算法程序运行需配置的操作系统、语言环境、依赖包等（注明版本号）。

硬件配置环境：说明算法程序运行建议硬件环境配置。

运行说明：算法程序运行安装、配置、运行操作（必须）、算法结果等简要说明。

备注信息：其他需要说明或建议的内容。