《大数据分析技术》-课程设计课题 共享单车骑行量预测问题

PAGEPAGE2学号组长成员1成员2成员3大数据分析技术课程设计课题共享单车骑行量预测问题学生姓名组长成员1成员2成员3院部数学与计算机学院专业班级指导教师二○二三年六月PAGE3目录摘要 3一．问题描述 1二．数学建模 22.1问题分析 22.2符号系统 22.3合理的简化的假设 22.4模型建立 2三．系统开发 33.1系统设计 33.1.1系统参数说明 33.1.2系统架构 33.2系统实现 33.3系统使用说明 4四．结论 5参考文献 6摘要从总体上阐述文章要解决的问题、分析问题的主要思路、针对问题建立的模型以及最终的计算结果，摘要内容不少于500字。关键词：列出文章中出现的关键词汇及数学用语。PAGE7一．问题描述公共交通工具的“最后一公里”是城市居民出行采用公共交通出行的主要障碍，也是建设绿色城市、低碳城市过程中面临的主要挑战。共享单车企业通过在校园、地铁站点、公交站点、居民区、商业区、公共服务区等提供服务，完成交通行业最后一块“拼图”，带动居民使用其他公共交通工具的热情。既与其他公共交通方式产生协同效应，也是一种新型绿色环保共享经济。共享单车是一种分时租赁模式的有偿服务，共享单车的投放量与骑行量相关。众所周知，行人是否骑行共享单车与天气、是否节假日、是否工作日等因素紧密相关。为了研究骑行量与这些因素的因果关系，现采集到某城市两个年度与骑行量相关的12个特征的数据，具体请见数据文件“共享单车骑行量数据.xlsx”，其中“共享单车骑行数据”表给出了12个特征的数据，“特征说明”表给出了各特征含义及其取值的说明。请根据所给数据完成下述任务。建立至少2个共享单车骑行量预测模型（非线性回归或随机森林或神经网络）；给出表中影响骑行量的11个特征的重要性；对模型进行评估；将模型训练好后应用于预测“待预测数据”表对应的骑行量；将预测模型封装为一个预测函数，并通过Python实现，供相关企业使用。注：需附使用说明。

二．数学建模2.1问题分析2.2符号系统2.3合理的简化的假设2.4模型建立2.5模型求解

三．系统开发将前面研究结果集成为一个系统。3.1系统设计3.1.1系统参数说明一、输入参数二、输出参数3.1.2系统架构AppSVM建模SVC训练fit评估内预测准确率accuracy_score预测3.2系统实现#集成开始#〇、导库fromsklearn.svmimportSVC#导入数据分割函数：将数据分割为训练集和测试集fromsklearn.model_selectionimporttrain_test_split#导入模型评估函数fromsklearn.metricsimportaccuracy_score#一、算法集成defAppSVM(X,y,data,c=1,kernel='rbf',gamma=2,test_size=0.3):#输入参数说明~~~~~~~~~#1.X,y=对象在其特征上的观测数据及其对应的类别，都是数据框，是已经完成预处理的数据。#2.data=待识别对象在其特征上的观测值，是一个数据框，是已经完成预处理的数据。#3.支持向量机参数设置#c=惩罚因子，应用于SVC；默认参数，默认值为1。#kernel=指定支持向量机的核函数；默认参数，默认值为“rbf”（高斯核函数）。#gamma=仅当核函数为“rbf”时有效，是平衡支持向量个数的参数：#gamma越大，支持向量越少，gamma值越小，支持向量越多；#默认参数，默认值为1。#4.test_size=X,y中数据用于测试的比例，默认参数，默认值为0.3。#输出参数说明~~~~~~~~~#1.results=字典型数据，其键为：#labels=对应的预测结果#accuracy=模型的识别准确率，包含回代准确率和测试准确率#套路开始#1.建模model=SVC(C=c,kernel=kernel,gamma=gamma)#2.训练#2.1分割训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=test_size,random_state=42)#2.2训练模型model.fit(X_train,y_train)#3.评估#3.1系统内预测以计算预测准确率#3.1.1回代预测y_pred_train=model.predict(X_train)#3.1.2测试预测y_pred_test=model.predict(X_test)#3.2据内预测结果计算预测准确率#3.2.1回代准确性acc_train=accuracy_score(y_train,y_pred_train)print("训练集预测准确率：",acc_train)#3.2.2测试准确性acc_test=accuracy_score(y_test,y_pred_test)print("测试集预测准确率：",acc_test)#4.预测labels=model.predict(data)#5.输出结果--results={}results['预测类别']=label