基于自行车租赁需求的预测随机森林与多元线性回归
内蒙古大学的
本文要求结合历史使用模式用天气数据预测自行车租赁需求
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
这提出了一个随机森林模型和一个GBM数据包。
改进决策树。多重结果与精度
随机森林的回归分析有了很大的改进。
然而，很少有人研究天气因素对气候变化的影响。迄今为止公共自行车租赁的数量。本文对我国的租赁需求进行了预测。
根据数据的特点，我们采用多元线性的方法回归分析与随机森林两种预测方法
Date time - hourly date+ timestamp
season - 1 = spring, 2 = summer, 3 = fall, 4 = winter
天气
1：清澈，少云，多云，多云。
2：雾+阴，雾+碎云，雾+少
云雾
3：小雪、小雨+雷雨+散落
云，微雨+散云
摄氏温度
ATEMP -“感觉像”摄氏温度
湿度相对湿度
风速-风速
总数租金总数
天气、温度、ATEMP、湿度、风速和计数均为
数值变量、日期时间、季节和天气是离散的。
不连续变量
随机森林的构建
因为随机森林不是决策树修剪，
一种典型的单分类器，训练集的第一步是
递归分析，生成倒置树等形状
结构；从根节点对树的第二步分析
对于叶节点路径，产生一系列规则；最后，根据
这些规则，分类或预测新数据。这个
以下是随机森林模型过程的结构：
（1）从样本集中随机选取n个样本；
采样；
（2）从所有特征中随机选择K特征；
利用这些特征构造决策树；
（3）重复上述两步M次，生成M决策
树形模型，随机森林的形成；
（4）对于新的数据，在每个树决策之后，最后做出预言；
GBM提高随机决策树的容量
森林
在具有随机森林的决策树结构中，在
为了提高效率，我们使用GBM软件包〔12〕。
提高决策树的容量、每一损失函数
在以前的梯度下降模型中建立了模型。
在GBM封装中，重要参数设置如下：
？分布
？N.树
？收缩率
？袋馏份
？交互作用深度
收缩率为0.005，N.树为5000。