描述：使用均值逼近模型，根据待预测结果的前几周（相同星期）空置房的平均数量设定阈值来预测该天是否空置。 该模型有几个重要参数，主要依靠数据分析来选择： 1.均值逼近的时间范围，最终选用近2个月的（即2021年7月9日->2021年9月4日） 2.预测结果当天的逼近阈值（周六比周日高，中秋的周一及周二也要远远高于正常范围）

描述：模型：树模型与规则模型串并联融合 采用了梯度提升数(LightGBM)模型与规则模型的串联和并联结合方法 技术优势： 结合业务理解的完备特征工程，提取民宿、订单、旅客相关特征 提出了提升决策树模型与规则新的融合的方法 针对节假日的特征优化 商业落地： 单模型与规则模型串联可采用常规服务端落地方式，针对时序漂移现象可结合MLops提升系统能力，进一步增加数据数量与质量，便于模型学习到更普遍的模式

描述：以2020年7月至2021年8月之间的威海市民宿及相关信息作为训练集，约3333条网约平台订单信息，约3344条旅客登记入住信息，预测2021年9月的民宿空置情况。由于受多种因素影响，直接预测全部民宿效果不佳。调整预测目标，对筛选出473家民宿进行预测，预测以下时间（即9月的周末和节假日）的空置情况。 算法设计与构架 最终关键规则如下： （1）历史订单为0的则不会有订单 （2）8月31号之前有订单的则会有订单 （3）计算8月份入住比例，利用历史入住率进行估计9月份入住率 利用关键规则设定拟和函数，以入住为目标优化参数 合理性与落地 利用简单的统计规则实现较为准确的预测，满足奥卡姆剃刀原则

描述：建模方式： 规则建模 树模型（如lightgbm、xgboost等） NN模型等 模型选择： 主要尝试规则建模和树模型，最终方案是选择两个规则模型的融合。

描述：1、完整详细的数据分析、特征挖掘以及建模流程； 2、考虑工业界与比赛数据量级的差异，在数据预处理中过滤掉无效数据，减少内存开销，缩短运行时间； 3、量化节假日的入住衰减因子，能较准的刻画节假日的衰减程度； 4、具有较强的可解释性，便于探索方案后续的优化方向； 5、模型精度高，时间复杂度低，基本满足工业界的落地需求； 6、流程清晰，过程可控，数据特征发生变化后，能够针对性扩充。

描述：本方案深度挖掘了名宿描述的字段信息，多方面结合统计交叉特征，利用五折lgb快速准确的得到了一个较佳的预测结果。 若要提升预测方案，可进一步优化label的打标过程，以及考虑天气、疫情以及节假日数据信息对预测结果的影响。