李天骋

摘要：共享单车是当前一种流行的出行方式，不同地区和不同时段对共享单车的需求不同。更好的共享单车需求分析能够优化共享单车配置，降低闲置率，提高利用率。本文依据Kaggle华盛顿共享单车使用的历史数据，对未来几天的共享单车需求进行预测，要求利用每月前19天的历史数据预测20天之后的共享单车租赁情况。这一问题属于机器学习中的回归问题，在Kaggle提供的数据集上分别采用了线性模型（Ridge Regression），基于回归树的集成学习模型（Random Forest）以及深度学习模型（Neural Network）。以预测结果和真实值的RMSE（Root Mean Squared Logarithmic Error）作为模型表现的评价指标。对不同的模型特点以及在共享单车数据集上的表现进行了对比分析，对结果进行了总结。

关键词：共享单车需求分析;岭回归;随机森林

中图分类号：F27文献标识码：Adoi：10.19311/j.cnki.16723198.2020.25.019

0引言

共享单车是一种十分便捷环保的出行方式，人们可以从任意提供共享单车的位置通过手机APP租借，在到达目的地之后直接在APP上选择归还将共享单车落锁即可。

回归问题的研究在机器学习领域具有重要意义，不同的回归分析方法由于各自的思想以及采用的优化方式不同因而在不同的训练数据上表现会出现差异。基于对数据本身的分析和理解，从机器学习回归方法中挑选几个模型进行训练，并在此基础上进行优化。

本文依据共享单车预测这一具体问题，构建了一些回归学习模型，将历史数据与未来的天气信息相结合，更加准确地预测华盛顿特区的共享单车租赁需求。……