基於自行車租賃需求的預測隨機森林與多元線性迴歸

內蒙古大學的

本文要求結合歷史使用模式用天氣資料預測自行車租賃需求

this paper proposes a random forest model and a GBM packet to
improve the decision tree. The results and the accuracy of multiple
regression analysis are greatly improved when use of random forest

這提出了一個隨機森林模型和一個GBM資料包。

改進決策樹。多重結果與精度

隨機森林的迴歸分析有了很大的改進。

然而，很少有人研究天氣因素對氣候變化的影響。迄今為止公共自行車租賃的數量。本文對我國的租賃需求進行了預測。

根據資料的特點，我們採用多元線性的方法迴歸分析與隨機森林兩種預測方法

Date time - hourly date+ timestamp
season - 1 = spring, 2 = summer, 3 = fall, 4 = winter

天氣

1：清澈，少雲，多雲，多雲。

2：霧+陰，霧+碎雲，霧+少

雲霧

3：小雪、小雨+雷雨+散落

雲，微雨+散雲

攝氏溫度

ATEMP -“感覺像”攝氏溫度

溼度相對溼度

風速-風速

總數租金總數

天氣、溫度、ATEMP、溼度、風速和計數均為

數值變數、日期時間、季節和天氣是離散的。

不連續變數

隨機森林的構建

因為隨機森林不是決策樹修剪，

一種典型的單分類器，訓練集的第一步是

遞迴分析，生成倒置樹等形狀

結構；從根節點對樹的第二步分析

對於葉節點路徑，產生一系列規則；最後，根據

這些規則，分類或預測新資料。這個

以下是隨機森林模型過程的結構：

（1）從樣本集中隨機選取n個樣本；

取樣；

（2）從所有特徵中隨機選擇K特徵；

利用這些特徵構造決策樹；

（3）重複上述兩步M次，生成M決策

樹形模型，隨機森林的形成；

（4）對於新的資料，在每個樹決策之後，最後做出預言；

GBM提高隨機決策樹的容量

森林

在具有隨機森林的決策樹結構中，在

為了提高效率，我們使用GBM軟體包〔12〕。

提高決策樹的容量、每一損失函式

在以前的梯度下降模型中建立了模型。

在GBM封裝中，重要引數設定如下：

？分佈

？N.樹

？收縮率

？袋餾份

？互動作用深度

收縮率為0.005，N.樹為5000。