[kaggle]DC比赛进程5

• 本周开始试了下高德的路径规划导航，虽然效果很差，但其中有一些借鉴意义，可以作为备选的特征放到后期的model中。例如，路径的导航距离、预估时间等；
• 后面在研究geohash做相同轨迹识别的工作，有一些资料了，明天有空整理一下共享，还有机器学习平台的选择，H2O（已搭建好）/Caffe/TensorFlow，在这里需要补充下接下来整体的model过程：

数据清洗：载客状态的真实性、GPS的连续性（因为现在预估不出这两问题造成的影响，可以先跳过，先做第二步）
数据抽取：选取和预测目标轨迹相同的行程（Q：相似轨迹识别算法？单用户筛选or全体筛选？这里本来一开始是打算直接学习全量数据，得到任意两点的时间预测模型（不可行，kill））
特征工程：特征选择（各种论文都试试）
训练模型：基于机器学习平台做算法的选择（这部分都是套路，除非去做深度神经网络）
模型迭代：不断重复上两步，直到以优异的成绩进入复赛O.O

• 之前给大家的四个资源中，PKDD的第二个比赛是最接近的，除了张洋和我上传的两篇文章外：可以到比赛的论坛找些灵感来源：
  https://www.kaggle.com/c/pkdd-15-taxi-trip-time-prediction-ii/forums/t/14988/method-sharing
  通过昨天的地毯式搜索，找到了一些开源的代码。需要有人研读一下，总结下其中的算法，特别是轨迹识别，和复用价值：

R:Kaggle_Taxi_Trajectory
py:kaggle-taxi-ii
R:kaggle-taxi-II-1
突然想了下，为什么不去直接找kaggle，taxi：

不要抢，大家都有份儿

我来承担8个R的项目的研读，注意只要时间预测，不要看目的地预测的项目。（待会分一下，还有两个notebook的，完美）。 注意：只看算法，如果作者有文档说明，就劲量不要去研究没有注释的代码（别问我为什么）。

行程选择部分应该是这个模型里最重要的问题了，选取什么样的数据来做预测？
关于行程选择部分的两个忧虑：

1. 算法复杂度太高，如果全体搜索时间长，效率低？
2. 选择后的数据样本不太大。不足以支持机器学习，过拟合现象严重。效果差？