스마트 창고 출고 지연 예측 AI 경진대회

대회 중반까지는 괜찮은 single model을 찾으려는 시도가 어느정도 성과가 있었는데, 
막판에 점수를 짜내는 과정에서 모델이 과하게 복잡해졌다는 느낌은 있네요. 다들 고생하셨습니다. 

raw data (train.csv 250K + test.csv 50K + layout_info.csv)
    │
    ▼
Feature Engineering (165 features)
  • layout 메타 병합 + unseen imputation
  • lag/rolling/expanding 시계열 피처
  • 비율/정규화 피처 (distribution-invariant)
  • 시나리오 내 상대값 (sc_diff, sc_ratio, sc_zscore)
    │
    ▼
L1: 13개 기저 모델 (GroupKFold 5, layout_id 기반)
    ▼
L2: LGB Meta-Stacking → 4-Lane 위원회
  • Lane 1: core 7종 → LGB meta (non-RMSE specialists)
  • Lane 2: core + specialist 11종 → LGB meta (XGB-MAE append)
  • Lane 3: 0.82·sv3 + 0.02·nodeA + 0.10·gru_pcgrad + 0.06·gru_multitask
  • Lane 4: TFT (단독)
    │
    ▼
4-Way Blend: 0.02·L1 + 0.20·L2 + 0.70·L3 + 0.08·L4
    │
    ▼
Conditional Segment Calibration (condseg):
  • 대형 창고 마스크 → 잔차 중앙값 offset
    │
    ▼
Disagreement-Tail Calibration (disagtail):
  • 4-lane σ 상위 10% ∧ 비대형창고 → +δ offset (cap=1.3, λ=4.0)
    │
    ▼
최종 제출: disagtail_uncap_q90_cap13_lam40_s970.csv