任务为利用给出的2016年到2017年60个车型在22个省份的每个月销量数据预测2018年 1-4月汽车销量，后通过手工特征提取获取结构化数据的方式进行建模 1.完成数据预处理、数据可视化、探索性分析等前期工作； 　2.完成任务的建模、特征提取、特征选择、模型框架搭建与实现等中期工作； 　3.完成两个模型（XGBoost和LightGBM）的模型融合、结果后处理等后期工作。

项目简介：该项目为和某为公司的横向合作项目，拟通过智能手表内置运动传感器数据结合 机器学习算法，推出一个帕金森 病情居家智能自诊系统。 负责工作与结果： 　1.负责系统方案设计，实地数据采集； 　2.利用基于BvSB采样的 主动学习算法， 降低80%-95%的数据标记需求； 　3.利用子结构 迁移学习，缓解数据分布差异问题， 提高3%-5%的准确率； 　4.采用多种 异常检测技术完成数据清洗，提高数据质量, 召回85%+的噪声。 关键字：移动健康、时间序列、Machine Learning、Active Learning、Transfer Learning、Anomaly Detection

根据历史污染和天气信息 预测污染物浓度。在前期的研究中，我们只关注污染物本身的时间状态变化，通过自回归移动平均模型（ARMA）+小波分解预测过一波，但这种方法没有考虑影响污染物浓度扩散的气象条件，而且也很难将空间因素考虑进去。我所用的LSTME模型考虑预测输入数据的多样性和多元化。做了如下工作（1）扩展了LSTM神经网络以捕获大气污染物浓度的长期时空依赖性，并提出了可预测未来24小时大气污染物浓度的多尺度预测框架; （2）该方法能够有效地自动提取大气污染物浓度数据中的时空相关性; （3）将辅助数据整合到传统的LSTM模型中，并且该综合模型表现出比传统方法更好的性能。