Smart Warehouse Delivery Delay Prediction AI Competition

[개요] 90개 피처 → 30분 출고 지연 회귀. 11 base(GBM 8 + Seq NN 3) + Tail Aux → META Stacking → DG 블렌딩. A/B hedge 제출.
- Public 9.83608 / Private 10.02727 (19등)
- Bp17 = 0.85·(0.75·meta_w10 + 0.25·s200) + 0.15·DG

[파이프라인]
1) FE: 90→1517 (W8 캐시 lag/roll, _lay_mean/z, slot_index 복원)
2) Base 11: LGB/XGB 8종(MAE/Huber/Quantile) + Seq NN 3 + Tail Aux(gate AUC 0.9244)
3) META: LGB meta + 4-지표(uniform/test-like/not-tl/weighted) + Bootstrap CI, typical Δ +0.05 trap 자동 폐기
4) 최종: A(Bp17 안전) + B(A_control_newDG_10, OOF 상관 0.95 hedge)

[핵심 발견]
- AV Row 0.9999 vs Layout 0.52 → "동일 layout의 다른 운영 강도"가 covariate shift 본질
- META v2 trap 3회 실측 (Public +0.018)
- 1등과 0.14 격차 분해: 큐잉이론 0.06 + noise 제거 0.02 + meta-aux 0.03 + context 0.02 ≈ 0.13

[환경] Win11 / Py 3.12.9 / numpy 2.4.3, pandas 3.0.2, sklearn 1.8.0, lightgbm 4.6.0, xgboost 3.2.0, torch 2.5.1+cpu

[재현] python build_final_submissions.py (30초, byte-identical 검증). 전체 재학습은 run_all.py --step ... (12~20h). 외부 데이터/모델/API 없음. 상세는 solution_final.pdf.