我要评论全文链接：http://tecdat.cn/?p=28519
作者：yiyi hu
近年来，共享经济成为社会服务业内的一股重要力量。作为共享经济的一个代表性行业，共享单车快速发展，成为继地铁、公交之后的第三大公共出行方式。
相关视频
但与此同时，它也面临着市场需求不平衡、车辆乱停乱放、车辆检修调度等问题。本项目则着眼于如何不影响市民出行效率的同时，对共享单车进行合理的批量维修工作的问题，利用cart决策树、随机森林以及xgboost算法对共享单车借用数量进行等级分类，试图通过模型探究其影响因素并分析在何种条件下对共享单车进行批量维修为最优方案。
解决方案
任务/目标
通过机器学习分类模型探究共享单车借用数量的影响因素，并分析在何种条件下对共享单车进行批量维修为最优方案。
数据源准备
该数据集有三个数据来源，分别为交通局，天气数据，以及法定假期。
解决方案
任务/目标
通过机器学习分类模型探究共享单车借用数量的影响因素，并分析在何种条件下对共享单车进行批量维修为最优方案。
数据预处理及可视化
（一）时间：首先从“timestamp”列中提取了“month”和“hour”两列，试图分别从整体、季度、月份、小时四个方面，对共享单车借用总数进行箱图分析。
（二）天气：观察数据特征发现，其中“weather_code”列各类别分别为：1 =晴朗;大致清晰，但有一些值与雾霾/雾/雾斑/雾附近；2 =散云/一些云；3 =碎云/云层疏松；4 =多云；7 =雨/小雨阵雨/小雨；10 =雨与雷暴；26 =降雪；94 =冻雾。因此，本文对“weather_code”进行重新定义，将 1，2，3，4 类天气现象定义为宜骑车天气；7，10，26，94 类天气现象定义为不宜骑车天气。
点击标题查阅往期内容
左右滑动查看更多
01
发表评论