Files

EvanLi 9dcda773c8 Add files via upload

add reference

2021-03-30 21:43:21 +08:00

read_all_data.py

readd 数据分析

2021-03-25 21:05:50 +08:00

readme.md

Update readme.md

2021-03-30 19:21:36 +08:00

task5 模型融合.ipynb

内容修改后

2021-03-28 20:17:06 +08:00

Task1 地理数据分析常用工具.ipynb

增加了readme内容

2021-03-29 22:38:30 +08:00

Task2 数据分析.ipynb

Add files via upload

2021-03-30 21:43:21 +08:00

Task3 特征工程.ipynb

Add files via upload

2021-03-29 14:39:57 +08:00

Task4 模型建立.ipynb

增加了readme内容

2021-03-29 22:38:30 +08:00

readme.md

竞赛介绍

该比赛是来源于2020数字中国创新大赛-数字政府赛道。

本赛题为智能算法赛，命题式竞赛，选题围绕“智慧海洋建设，赋能海上安全治理能力现代化”展开。提升海上安全治理能力，首要任务是“看得清”，即看得清“是什么、谁在用、做什么”。船舶避碰终端（AIS）、北斗定位终端等通信导航设备的应用，给海上交通和作业带来了极大便利，但同时存在设备信息使用不规范造成的巨大人身和财产损失，给海上安全治理带来了新的挑战。

本赛题基于位置数据对海上目标进行智能识别和作业行为分析，要求选手通过分析渔船北斗设备位置数据，得出该船的生产作业行为，具体判断出是拖网作业、围网作业还是流刺网作业。同时，希望选手通过数据可视分析，挖掘更多海洋通信导航设备的应用价值。

竞赛题目

本赛题基于位置数据对海上目标进行智能识别和作业行为分析，要求选手通过分析渔船北斗设备位置数据，得出该船的生产作业行为，具体判断出是拖网作业、围网作业还是流刺网作业。初赛将提供11000条(其中7000条训练数据、2000条testA、2000条testB)渔船轨迹北斗数据。

复赛考虑以往渔船在海上作业时主要依赖AIS数据，北斗相比AIS数据，数据上报频率和数据质量均低于AIS数据，因此复赛拟加入AIS轨迹数据辅助北斗数据更好的做渔船类型识别，其中AIS数据与北斗数据的匹配需选手自行实现，具体细节复赛开赛时更新。同时，希望选手通过数据可视化与分析，挖掘更多海洋通信导航设备的应用价值。

竞赛数据

初赛

初赛提供11000条渔船北斗数据，数据包含脱敏后的渔船ID、经纬度坐标、上报时间、速度、航向信息，由于真实场景下海上环境复杂，经常出现信号丢失，设备故障等原因导致的上报坐标错误、上报数据丢失、甚至有些设备疯狂上报等。

评估指标

以3种类别的各自F1值取平均做为评价指标，结果越大越好，具体计算公式如下：

其中P为某类别的准确率，R为某类别的召回率，评测程序f1函数为sklearn.metrics.f1_score，average='macro'。

组队学习安排

在组队学习中，我们主要是针对初赛进行复盘总结形成的baseline学习方案。
所选用数据集为初赛的7000条训练数据、2000条testA进行操作与分析。
其中机器学习模型的评估指标选用的是F1函数。

readme.md Unescape Escape

竞赛介绍

竞赛题目

竞赛数据

初赛

评估指标

组队学习安排

相关资料

readme.md