模型调优（一）· 题型解读、模型选型与平台建模流程

1题目是什么：压气机效率预测

先把题读完，再看它到底要我们干什么。

题目背景（摘要）
燃气轮机的压气机是核心部件，它的效率直接决定整台机组省不省油。效率受很多因素影响，
传统物理仿真算得准但太慢。现在用历史运行数据训练一个模型，让它根据最近一段时间的
运行参数，预测下一时刻的压气机效率。

题目要求
1. 基于提供的压气机效率数据集，构建机器学习或深度学习模型，实现对压气机效率的高精度预测；
2. 根据训练过程中的指标调整模型超参数（学习率、迭代次数、优化器、时间步长度、网络层数、
   每层神经元个数、batch size 等），以获得更优结果；
3. 评分采用独立数据集，考生需确保模型的泛化性能。
注：系统按考生要求的时间步长度构造训练数据集，进行单步时间序列预测。

评分标准
预测可靠性  权重 0.8　　推理效率  权重 0.2

2先把数据看明白：35 天、每 5 分钟一条

调参之前先看数据长什么样——周期是几天、有没有缺口。这一步决定后面「时间步」怎么填。

素材文件（点击直接打开）

3模拟平台：左边照着点，右边跟着讲

下面是一个可以操作的模拟赛场平台。左边是界面——点「开始答题」「开始训练」「提交」会真的翻页，点模型 / 参数框 / 曲线 / 版本行都有反应；右边是解说——你点到哪，它就讲哪。从头到尾点一遍，就等于把题做了一遍。

AI 大赛　｜　参赛入口 · 模型调优http://10.168.157.18:32572/…　⟲ 历史版本

题干 ① 点下面题干 · 看怎么读

题目背景
在现代燃气轮机系统中，压气机作为核心部件，其性能直接决定整个机组的热效率、运行稳定性和经济性。压气机效率是衡量能量转换能力的关键指标，哪怕微小的效率提升，也能带来显著的燃料节省与碳排放下降。然而，压气机内部流动过程高度复杂，涉及多物理场耦合、非定常流动、边界层分离等强非线性现象。传统基于物理模型的预测方法（如 CFD 仿真）虽然精度较高，但计算代价巨大，难以满足实时性需求。伴随人工智能与大数据技术的发展，数据驱动的智能建模方法为压气机性能预测开辟了新路径。构建高精度、高效率的机器学习模型，可在保证预测准确性的同时大幅缩短计算时间，支撑实时监测、故障预警与运行优化。因此，基于实际运行数据开展压气机效率智能预测研究，不仅具有重要的工程应用价值，也是推动能源装备智能化升级的关键突破口。

题目要求
考生需基于所提供的燃机压气机效率数据集，构建机器学习或深度学习模型，实现对压气机效率的高精度预测；
请根据训练过程中的指标调整模型超参数（如学习率、迭代次数、优化器、时间步长度、网络层数、每层神经元个数、batch size 等），以获得更优结果；
评分采用独立数据集，考生需确保模型的泛化性能。
注：系统按照考生要求的时间步长度构造训练数据集，进行单步时间序列预测。

评分标准
预测可靠性　权重 0.8　｜　推理效率　权重 0.2

数据集 ② 点下面表格 · 看有哪些列　查看训练数据 ↗　图表分析③ 点「图表分析」· 看周期

时间进口温度出口温度压比大气压力IGV角度滤网压差压气机效率

2024-08-20 12:1037.0370.191.00751.6520.24-2.500.0003

2024-08-20 12:1537.1069.731.00751.6320.25-2.490.0005

2024-08-20 12:2037.1669.601.00751.6520.25-2.500.0008

2024-08-20 12:2537.2469.501.00751.6320.26-2.540.0011

……共 10000 行

开始答题④ 三件事做完点「开始答题」

点击查看 训练数据，选择合适的模型运行。

选择要使用的模型：① 点一个模型

DNNRNNLSTMXGBoostGRU

通用参数 ② 点任一参数框

XGBoost 特有参数

开始训练 ⏻③ 填好点「开始训练」全部重置 ↺

正在训练 XGBoost……

构造时间步窗口 → 切分训练 / 验证集 → 逐轮训练 → 计算指标

四张曲线 点任一张 · 右边讲它是什么

Loss 曲线

RMSE 曲线

SMAPE 曲线

MASE 曲线

提交此版本返回调参⟲ 历史版本

版本列表 点任一行 · 看这版为什么留 / 弃

版本模型参数验证 RMSE用时状态

v1XGBoostlr 0.05 / 占比 0.8 / 步 24 / 树 200 / 深 60.04101:38基线

v2XGBoost同 v1，树 400 / 深 90.04303:20略差且慢

v3LSTMlr 0.001 / 批 32 / 轮 50 / 占比 0.8 / 步 96 / 2×640.03805:12最优

v4LSTM同 v3，轮 1000.046 ↑09:05过拟合

v5LSTM同 v3，学习率 0.010.07105:08震荡

查看曲线回到这组参数提交选中版本

✔

已提交 v3 · LSTM

系统将用独立数据集评分：预测可靠性 0.8 + 推理效率 0.2

从头再走一遍

界面依据客户提供的平台截图绘制，位置可能略有出入；真实截图：题干 ｜ 数据集 ｜ LSTM 调参 ｜ XGBoost 调参 ｜ Loss+RMSE ｜ SMAPE+MASE

4完整走一遍：赛场推荐顺序

1. 进题目（1 分钟）：读题圈三个词；点「图表分析」看周期 = 288。
2. v1 XGBoost：学习率 0.05 / 占比 0.8 / 时间步 24 / 树 200 / 深 6 → 训练 → 看 Loss、RMSE 曲线是否健康 → 记下 RMSE 和用时。
3. v2 LSTM：学习率 0.001 / 批 32 / 轮 50 / 占比 0.8 / 时间步 96 / 2 层 × 64 → 训练 → 对比 v1。
4. 哪个有问题改哪个（下午课对症调参表），一次只改一处，每版记一行。
5. 历史版本里挑：RMSE 最低的提交；差不多选用时短的。