基于機器學習方法的共享單車需求分析

李天騁

摘要：共享單車是當前一種流行的出行方式，不同地區(qū)和不同時段對共享單車的需求不同。更好的共享單車需求分析能夠優(yōu)化共享單車配置，降低閑置率，提高利用率。本文依據(jù)Kaggle華盛頓共享單車使用的歷史數(shù)據(jù)，對未來幾天的共享單車需求進行預測，要求利用每月前19天的歷史數(shù)據(jù)預測20天之后的共享單車租賃情況。這一問題屬于機器學習中的回歸問題，在Kaggle提供的數(shù)據(jù)集上分別采用了線性模型（Ridge Regression），基于回歸樹的集成學習模型（Random Forest）以及深度學習模型（Neural Network）。以預測結果和真實值的RMSE（Root Mean Squared Logarithmic Error）作為模型表現(xiàn)的評價指標。對不同的模型特點以及在共享單車數(shù)據(jù)集上的表現(xiàn)進行了對比分析，對結果進行了總結。

關鍵詞：共享單車需求分析;嶺回歸;隨機森林

中圖分類號：F27文獻標識碼：Adoi：10.19311/j.cnki.16723198.2020.25.019

0引言

共享單車是一種十分便捷環(huán)保的出行方式，人們可以從任意提供共享單車的位置通過手機APP租借，在到達目的地之后直接在APP上選擇歸還將共享單車落鎖即可。

回歸問題的研究在機器學習領域具有重要意義，不同的回歸分析方法由于各自的思想以及采用的優(yōu)化方式不同因而在不同的訓練數(shù)據(jù)上表現(xiàn)會出現(xiàn)差異。基于對數(shù)據(jù)本身的分析和理解，從機器學習回歸方法中挑選幾個模型進行訓練，并在此基礎上進行優(yōu)化。

本文依據(jù)共享單車預測這一具體問題，構建了一些回歸學習模型，將歷史數(shù)據(jù)與未來的天氣信息相結合，更加準確地預測華盛頓特區(qū)的共享單車租賃需求。

1數(shù)據(jù)集描述

Kaggle比賽給出的數(shù)據(jù)集劃分為訓練集和測試集，其中訓練集包含10886個訓練樣本，測試集包含6493個測試樣本。數(shù)據(jù)包含12列特征，包括datetime（日期，精確到整點時刻），season（季節(jié)，1=春，2=夏，3=秋，4=冬），holiday（是否假日），workingday（是否工作日），weather（天氣等級：1=晴天或多云，2=有霧，3=小雪或小雨，4=暴雨或大雪，冰雹等惡劣天氣），temp（溫度，攝氏度），atemp（體感溫度），humidity（相對濕度），windspeed（風速），casual（非會員租賃數(shù)量），registered（會員租賃數(shù)量），count（總租賃數(shù)量，會員+非會員）。數(shù)據(jù)中只有日期特征為字符串類型，其他特征都是數(shù)值類型，數(shù)據(jù)中不存在缺失情況。

1.1數(shù)據(jù)集分析

1.1.1數(shù)據(jù)預處理

經(jīng)過數(shù)據(jù)探查，發(fā)現(xiàn)數(shù)據(jù)中不存在缺失值和重復值，因此對數(shù)據(jù)進行異常值分析。

1.1.2數(shù)據(jù)加工

對字符串類型的日期數(shù)據(jù)進行轉換，從中提取出年，月，日，小時，單獨作為特征。

1.2特征分析

1.2.1日期和共享單車租賃總數(shù)

對于訓練數(shù)據(jù)，分別計算每日對應的共享單車租賃總數(shù)和當月共享單車租賃的中位數(shù)，畫出2011年1月到2012年12月的折線圖。可以直觀地看到，2012年和2011年的數(shù)據(jù)，年內波動曲線類似，但2012年每月租賃數(shù)據(jù)同比2011年均有增長。

1.2.2月度和共享單車租賃總數(shù)

通過對月份和共享單車租賃情況畫圖分析，年內隨著月份變化租賃總量會有規(guī)律地變化，此外，每個月的數(shù)據(jù)中存在不同程度的離群點。

1.2.3季度和共享單車租賃總數(shù)

數(shù)據(jù)呈現(xiàn)出比較明顯的季度趨勢，通過分析發(fā)現(xiàn)，租賃總數(shù)的峰值出現(xiàn)在秋季，低谷出現(xiàn)在春季，此外，春季具有較多的離群值。

1.2.4周幾和共享單車租賃總數(shù)

通過對數(shù)據(jù)取中位數(shù)分析，相比工作日，周末會有較多的非會員用戶租賃共享單車，工作日則有較多的會員用戶使用共享單車。統(tǒng)計共享單車的日內使用總數(shù)，工作日共享單車有更多的用戶。

1.2.5工作日、節(jié)假日和共享單車租賃總數(shù)

整體而言，共享單車的租賃在節(jié)假日呈下滑趨勢，而在工作日呈上升趨勢。同時，在節(jié)假日會有更多的非會員用戶使用共享單車服務，而在工作日，使用共享單車的非會員用戶較少。可能節(jié)假日的非會員用戶來源為游客，較多的會員用戶會在工作日使用共享單車來通勤。

1.2.6整點時間共享單車租賃總數(shù)

對整點時間的分析劃分成節(jié)假日和工作日兩部分。

在節(jié)假日期間，非會員用戶與會員用戶的共享單車使用趨勢比較接近，峰值出現(xiàn)時間不同，非會員用戶峰值出現(xiàn)在下午2點左右，會員用戶的峰值則出現(xiàn)在下午5點。

在工作日期間，會員用戶的共享單車使用呈現(xiàn)出兩個峰值，分別為早上8點和下午5點。這兩個時段為上下班高峰期，符合會員用戶通勤需要的推測。非會員用戶則不存在雙高峰的情況，在一天之中呈現(xiàn)出先上升后下降的趨勢，高峰出現(xiàn)在中午。

1.2.7天氣和共享單車租賃總數(shù)

在工作日以及非工作日，共享單車的租賃數(shù)量會明顯受到天氣的影響，當天氣越糟糕，共享單車的使用量越低。如果非工作日遇到最惡劣的天氣（暴雨/大雪）則不會產(chǎn)生共享單車的租賃。

2構建回歸模型

2.1構建嶺回歸（Ridge Regression）模型

2.1.1基本原理

線性回歸實際上是假設訓練數(shù)據(jù)X和預測目標Y之間滿足線性關系，假設一組線性方程，利用預測值和真實值的誤差構建損失函數(shù)來描述線性方程的擬合效果，用訓練數(shù)據(jù)對模型進行訓練，通過梯度下降算法來減小誤差（即降低損失），從而修正線性方程。損失函數(shù)是一種評判標準。通過求得損失函數(shù)的最小值來確定最能擬合數(shù)據(jù)的線性方程。梯度下降算法是一種用來計算損失函數(shù)最小值的方法。

2.1.2在共享單車預測數(shù)據(jù)集上應用Ridge Regression模型

對于一組線性方程Y=wx+b構造一個損失函數(shù)，預測值和真實值之間的平方誤差，使用梯度下降的方法求得損失函數(shù)的最小值，能夠使組線性方程最好地擬合數(shù)據(jù)集，求出此時的w，b即確定了線性方程的參數(shù)，得到訓練好的模型。

嶺回歸則是在線性回歸的基礎上增加正則化參數(shù)，能夠有效地防止模型過擬合。

2.1.3結果分析

訓練過程中，通過交叉驗證來挑選最優(yōu)的alpha參數(shù)，最終選定的alpha參數(shù)為805。采用最優(yōu)的參數(shù)訓練模型，分別計算模型在訓練集和測試集上的RMSE（均方根誤差，預測值與真實值偏差的平方與觀測次數(shù)n比值的平方根）以及模型的擬合優(yōu)度R2（R2 <=1，R2越大越好，模型baseline對應的R2接近0，當模型完全擬合時，R2 = 1）。模型在訓練集上的RMSE：1.034，模型擬合優(yōu)度評分：0.466，模型在測試集上的RMSE：1050，模型擬合優(yōu)度評分：0.4580。

2.2構建隨機森林（Random Forest）模型

2.2.1基本原理

以cart回歸樹作為基礎學習器，采用最小均方差來決定劃分特征以及特征值。（遍歷所有特征以及特征值，選定任意特征值作為劃分依據(jù)將數(shù)據(jù)劃分成兩部分，S1和S2，篩選出能夠令S1和S2集合內均方差最小的劃分特征以及特征值）。

隨機森林，森林的概念是指由多棵樹組成。每棵樹用Bootstrapping（有放回抽樣）的方式構造訓練集，在構建每棵樹的時候按照設定好的比例隨機抽取一些訓練特征參與樹的構建。最后將每棵樹集成在一起作為最終的預測模型。當有一個新的測試樣本輸入時，讓森林中的每一課決策樹對它進行判斷，輸出一個類別（分類算法）或一個平均值（回歸算法），避免了一棵樹的決策失誤。

2.2.2在共享單車預測數(shù)據(jù)集上應用Random Forest模型

共享單車數(shù)據(jù)中除了部分數(shù)值類型的特征之外，存在較多類別類型的特征，從特征情況來看比較適合使用隨機森林來建模。

2.2.3結果分析

在Random Forest模型中采用了1000個估計器，用MSE（均方誤差）作為評價指標，每棵樹的深度采用默認值。模型在訓練集上的準確率達到： 0.94338，在測試集上的準確率達到0.92173。

2.3構建DNN模型

2.3.1基本原理

DNN模型即人工神經(jīng)網(wǎng)絡（Neural Network），以神經(jīng)元作為基本運算單元。每個神經(jīng)元按照線性變換和非線性變換相結合的運算邏輯，對輸入數(shù)據(jù)進行運算，將結果順著網(wǎng)絡連接輸送給下一層神經(jīng)元。每個神經(jīng)元數(shù)據(jù)變換的線性函數(shù)形式為：W* X+b，其中X為輸入數(shù)據(jù)，W為權重參數(shù)，b為偏置參數(shù)，參數(shù)是隨機初始化的，需要網(wǎng)絡在訓練過程中進行修改。非線性函數(shù)通常使用ReLu以及l(fā)eakyReLu等非線性函數(shù)，起到了過濾信號的作用。

DNN結構包括輸入層，隱藏層和輸出層，其中隱藏層可能是一層或多層神經(jīng)元結構。每層設定好神經(jīng)元的個數(shù)，相鄰兩層神經(jīng)元之間是全連接的（每兩個神經(jīng)元之間都有連線），而連接表示上一個神經(jīng)元的輸出要作為下一個神經(jīng)元的輸入。

對于神經(jīng)網(wǎng)絡的調整可以從改變隱藏層數(shù)目以及修改每層神經(jīng)元個數(shù)入手，為了避免過擬合情況，還可以在Dense層后面增加Dropout層，不僅能簡化模型，還能夠增強網(wǎng)絡的魯棒性。理論上來說，在沒有過擬合的前提下，增加神經(jīng)元個數(shù)以及層數(shù)能夠增強模型的預測能力。

2.3.2在共享單車預測數(shù)據(jù)集上應用DNN模型

構建了一個三層128 個神經(jīng)元的神經(jīng)網(wǎng)絡，采用‘a(chǎn)dam作為優(yōu)化器。在原始模型的基礎上嘗試增加或減少hidden layer，在訓練過程中為了避免過擬合采用了early stop。加入了 weight dacay。

2.3.3結果分析

在原始模型基礎上增加了Dropout，修改了模型學習率。最終模型在訓練集上的RMSE：0.4213，模型準確率：0.9526，模型在測試集上的RMSE：0.4437，模型擬合優(yōu)度評分：0.9506。

3結語

通過對各個模型的特點以及結果對比分析，集成學習和深度學習均表現(xiàn)出比較明顯的優(yōu)勢。對比三層DNN以及線性模型嶺回歸在共享單車需求預測上的效果差異，深度學習相對于其他機器學習方法而言，對特征的自動提取是其最大的特點，在沒有充分的人工特征的前提下，深度學習能夠發(fā)揮出較大的作用。深度學習對比傳統(tǒng)方法來說，最大的優(yōu)勢是自動特征的提取。對比集成學習以及線性模型嶺回歸在共享單車需求預測上的效果差異，集成學習得益于對于單個預測模型的綜合。如果對特征進行進一步擴展和篩選，可能在此基礎上能夠得到更好的模型效果。

參考文獻

[1]Kaggle共享單車案例——隨機森預測[EB/OL].https：//zhuanlan.zhihu.com/p/38168416.

[2]Python數(shù)據(jù)分析——Kaggle共享單車項目實戰(zhàn)[EB/OL].http：//www.sohu.com/a/284341148_120045139.

[3]實踐Kaggle比賽：房價預測[EB/OL].http：//zh.d2l.ai/chapter_deep-learning-basics/kaggle-house-price.html.