65 lines
4.2 KiB
Plaintext
65 lines
4.2 KiB
Plaintext
6
|
||
三、基于机器学习的共享单车日骑行量预测与可视化系统
|
||
1. 课题背景
|
||
在构建绿色、低碳城市的进程中，“最后一公里”出行难题一直是阻碍公共交通
|
||
高效利用的关键瓶颈。共享单车作为一种创新的分时租赁模式，有效填补了这一空
|
||
白，不仅提升了居民使用公共交通的整体意愿，还促进了绿色出行理念的普及。然
|
||
而，共享单车的运营效率高度依赖于对用户需求的精准预判。骑行需求受多种复杂
|
||
因素影响，如天气状况、季节变化、是否为工作日或节假日等。因此，利用历史运
|
||
营数据，通过数据挖掘与机器学习技术建立精准的需求预测模型，对于优化车辆调
|
||
度、提升用户体验及实现企业精细化运营具有重要的现实意义。
|
||
2. 数据描述
|
||
本课题采用的数据集源自美国华盛顿特区的Capital Bikeshare 系统，是UCI 机器
|
||
学习库中的经典数据集（Bike Sharing Dataset）。我们选用其中的日度统计数据，见“共
|
||
享单车骑行量数据.xlsx”的第一张工作表“每天数据”，数据集共包含731 条记录，覆
|
||
盖了2011 年与2012 年两年完整的骑行数据，共16 列，各列含义见第二张工作表“特
|
||
征说明”。
|
||
此外，数据集还提供了待预测的2013 年前100 天的相关特征，见第三张工作表
|
||
“预测集”，用于最终模型的骑行量预测。
|
||
3. 设计任务
|
||
本课题围绕共享单车每日总骑行量预测展开，要求完成“模型构建与对比→特征
|
||
影响剖析→性能评估与预测→可视化系统开发”的完整技术研究流程，全面锻炼数据
|
||
建模、特征分析、模型优化及GUI 开发的综合能力。
|
||
任务一：多模型构建与初步筛选
|
||
目标：建立包含基线模型和候选模型的完整模型池，为后续分析提供严谨的性
|
||
能基准。
|
||
核心步骤：
|
||
（1）数据准备：从数据集第一张工作表中提取特征（12 维）与目标变量，并将
|
||
数据集划分为训练集和测试集；
|
||
（2）模型选型：
|
||
基线模型：选择线性回归模型作为基准；
|
||
候选模型：至少选择两类非线性回归模型（如树模型+ 核方法/神经网络），体
|
||
现方法多样性；
|
||
（3）基础训练：对每类模型使用默认或合理初始参数进行训练；
|
||
（4）对比：在验证集上计算各模型的RMSE/MAE/R²，形成初步性能排序；
|
||
（5）输出：保存各模型对象及初步评估结果，为任务三的深入评估和任务二的
|
||
特征分析提供候选模型池。
|
||
|
||
7
|
||
任务二：特征重要性解析
|
||
目标：挖掘影响骑行量的关键因子，解释模型决策逻辑。
|
||
核心步骤：
|
||
（1）选定最优模型：基于任务一结果，选取性能最佳模型；
|
||
（2）量化与可视化：通过内置属性（树模型）或排列重要性（其他模型）计算
|
||
特征贡献，绘制条形图；
|
||
（3）业务解读：结合领域知识分析关键特征的影响机制；
|
||
（4）输出：特征重要性报告，为模型精简提供依据。
|
||
任务三：模型评估与预测输出
|
||
目标：验证模型泛化能力，生成最终预测结果。
|
||
核心步骤：
|
||
（1）全面评估：通过交叉验证计算RMSE/MAE/R²，绘制真实值-预测值散点图
|
||
及残差分布；
|
||
（2）确定最优模型：综合指标与稳定性，选定部署模型；
|
||
（3）预测与可视化：基于2013 年前100 天特征数据生成预测值，输出表格及
|
||
趋势折线图；
|
||
（4）输出：保存模型文件（如.pkl）和预测结果，作为GUI 系统的数据源。
|
||
任务四：轻量级预测可视化系统开发
|
||
目标：实现分析成果的交互式应用。
|
||
核心步骤：
|
||
（1）框架选型：采用轻量GUI 工具（如Streamlit、tkinter、PyQT）；
|
||
（2）界面设计：左侧输入区（日期、天气、温度等）+右侧结果展示区；
|
||
（3）模型集成：加载最优模型，编写特征处理与预测函数；
|
||
（4）动态可视化：让用户直观理解预测结果，同时支持单场景查询（数字+仪
|
||
表盘）和多场景对比（折线图）两种核心需求；
|
||
（5）优化与输出：实现输入校验与实时响应，交付可运行程序及使用说明。
|