共享单车时租数量预测

最新推荐文章于 2024-09-10 09:03:51 发布

知行zhe

最新推荐文章于 2024-09-10 09:03:51 发布

阅读量2.7k

点赞数 5

分类专栏：机器学习 python3 文章标签：机器学习自行车 python

本文链接：https://blog.csdn.net/weixin_42107106/article/details/102830068

版权

该博客探讨了如何利用天气、温度、湿度和风速等数据预测共享单车每小时租用量。通过相关分析、特征工程、异常值检测和数值特征标准化，最终采用RMSLE作为评估指标，对模型进行训练和优化，以更准确地预测自行车租用需求。

摘要由CSDN通过智能技术生成

任务：利用城市当天的天气、温度、湿度和风速等环境信息对自行车的租借数量进行有效预测，预测每小时内租用的自行车总数。

数据字段

特征	说明
datetime	详细到小时的日期+时间戳
season	季节 1：春天， 2：夏天， 3：秋天， 4：冬天
holiday	是否是公共假期
workingday	是否是工作日（不是周末也不是公共假期）
weather	天气情况 1：无云，少量云，部分多云 2：雾+多云，雾+云散开，雾+少云，雾 3：小雪，小雨+雷暴+散云，小雨+散云 4：暴雨+冰雹+雷暴+雾，雪+雾
temp	以摄氏度为单位的温度
atemp	以摄氏度为单位的体感温度
humidity	相对湿度
windspeed	风速
casual	未注册用户租赁数量
registered	注册用户租赁数量
count	租赁自行车总数，包括未注册和注册

导入工具包

import numpy as np
import pandas as pd
import seaborn as sn
import matplotlib.pyplot as plt
%matplotlib inline

- 读取数据集
- 打印数据集的前几行
- 检测缺失值
- 数据集的大小（维度）
- 变量类型

#读取数据集
dataDaily = pd.read_csv("./input/train.csv")
# 查看数据前2行
dataDaily.head()

datetime	season	holiday	temp	atemp	humidity	windspeed	casual	registered	count
0	2011-01-01 00:00:00	1	1	9.84	14.395	81	0.0	3	13	16
1	2011-01-01 01:00:00	1	1	9.02	13.635	80	0.0	8	32	40
2	2011-01-01 02:00:00	1	1	9.02	13.635	80	0.0	5	27	32
3	2011-01-01 03:00:00	1	1	9.84	14.395	75	0.0	3	10	13
4	2011-01-01 04:00:00	1	1	9.84	14.395	75

#检测缺失值
dataDaily.isnull().sum()

dataDaily.info()

#数据初步展示
dataDaily.describe()

#数据可视化展示
dataDaily.plot(subplots=True, figsize=(10,20))

seaborn中的热力图是一个有用的描述两个特征之间关系的方法。在这里我们绘制countvs temp温度，humidity湿度，windspeed风速的相关热力图。

corrMat = dataDaily[["temp", "humidity","windspeed", "registered","casual","atemp","count"]].corr()
sn.heatmap(corrMat, annot=True, square=True)

理解因变量如何受特征（数值型）影响的一个常用方法是查看它们之间的相关矩阵。让我们绘制count和数值型特征[temp,atemp,humidity,windspeed]之间的相关图。

temp温度和humidity湿度特征分别与count呈正负相关。尽管它们之间的相关性不明显，但count对temp温度和humidity湿度的依赖性仍然很小。
windspeed不是真正有用的数字特征，这可以从它和count的相关值看出来。
atemp将不被采纳，因为atemp和temp