← 返回竞赛经历AI 竞赛 / 科大讯飞 AI 开发者大赛Datawhale 2026 夏季实训：基于现场 LIBS 光谱的煤炭弹筒发热量预测
记录科大讯飞 AI 开发者大赛 LIBS 光谱回归赛题的任务、评估方式，以及 2026 年 7 月 16 日的两次真实提交结果。
初赛实践#Datawhale · #科大讯飞 · #LIBS · #回归
- 4
- 提交次数
- 261.48212
- 最佳 RMSE
- 261.48212
- 最新 RMSE
- +17.02248
- 相对首提交提升
01
第一次提交
278.50460
提交 submit1.zip，平台返回首个可用于比较的线上结果。
平台已返回分数，作为后续实验的对照结果。02
第二次提交
280.53604+2.03144
提交 submit2.zip，平台完成评测并返回第二个线上结果。
RMSE 比第一次高 2.03144，结果回退；现有记录不足以把变化归因于某个具体改动。03
STAGE2修改
280.08222-0.45382
修改feature.py
RMSE 全局CV-RMSE：153.6904
STAGE2修改
261.48212-18.60010
Stage1：RidgeCV Stage2：RidgeCV（CV和最终模型一致）辅助指标增强权重 ×3辅助指标物理范围裁剪保留 Group CV保留小批次 shrinkage修复 LightGBM 导致 CV 偏差问题
RMSE 全局CV-RMSE：153.69
这次实践来自 Datawhale 2026 夏季实训机器学习赛道，对应科大讯飞 AI 开发者大赛的“基于现场 LIBS 光谱的煤炭弹筒发热量预测挑战赛”。
赛题任务
煤炭发热量是评价煤炭质量的重要指标。传统测定通常在实验室中使用弹筒发热量计完成，流程较长，难以直接满足煤场现场的实时调控需求。LIBS（Laser-Induced Breakdown Spectroscopy，激光诱导击穿光谱）可以在现场皮带上快速采集煤流的光谱信息。
赛题提供现场采集的煤炭 LIBS 光谱数据，以及对应批次煤样的实验室化验数据。任务是建立光谱与弹筒发热量之间的回归映射，并预测测试样本的发热量。
评估方式
比赛使用均方根误差（RMSE）评估预测结果，数值越低越好。其计算方式可写为 RMSE = sqrt((1 / n) × Σ(yᵢ - ŷᵢ)²)。
RMSE 与预测目标使用相同量纲，同时会对较大的预测误差给予更高惩罚。因此，判断实验是否有效时应比较相同提交阶段的 RMSE，而不是把更高的数值理解为更好的成绩。
已确认的提交记录
2026 年 7 月 16 日共完成两次有效提交，提交者均为 mxt1022：
| 提交时间 |
文件名 |
平台评分（RMSE） |
相对第一次提交 |
| 2026-07-16 12:25:26 |
submit1.zip |
278.5046 |
— |
| 2026-07-16 12:58:46 |
submit2.zip |
280.53604 |
+2.03144 |
| 2026-07-19 16:03:58 |
submit3.zip |
280.08222 |
— |
| 2026-07-19 16:23:33 |
submit4.zip |
261.48212 |
— |
第二次提交发生在第一次之后 33 分 20 秒。由于 RMSE 越低越好，当前最佳结果仍是第一次提交的 278.5046。仅凭提交页面无法确认两份结果之间具体修改了哪些特征、参数或后处理步骤，因此不对分数变化作未经记录的归因。
当前复盘
