PAGEPAGE2學(xué)號(hào)組長(zhǎng)成員1成員2成員3大數(shù)據(jù)分析技術(shù)課程設(shè)計(jì)課題共享單車騎行量預(yù)測(cè)問題學(xué)生姓名組長(zhǎng)成員1成員2成員3院部數(shù)學(xué)與計(jì)算機(jī)學(xué)院專業(yè)班級(jí)指導(dǎo)教師二○二三年六月PAGE3目錄摘要 3一．問題描述 1二．?dāng)?shù)學(xué)建模 22.1問題分析 22.2符號(hào)系統(tǒng) 22.3合理的簡(jiǎn)化的假設(shè) 22.4模型建立 2三．系統(tǒng)開發(fā) 33.1系統(tǒng)設(shè)計(jì) 33.1.1系統(tǒng)參數(shù)說明 33.1.2系統(tǒng)架構(gòu) 33.2系統(tǒng)實(shí)現(xiàn) 33.3系統(tǒng)使用說明 4四．結(jié)論 5參考文獻(xiàn) 6摘要從總體上闡述文章要解決的問題、分析問題的主要思路、針對(duì)問題建立的模型以及最終的計(jì)算結(jié)果，摘要內(nèi)容不少于500字。關(guān)鍵詞：列出文章中出現(xiàn)的關(guān)鍵詞匯及數(shù)學(xué)用語。PAGE7一．問題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礙，也是建設(shè)綠色城市、低碳城市過程中面臨的主要挑戰(zhàn)。共享單車企業(yè)通過在校園、地鐵站點(diǎn)、公交站點(diǎn)、居民區(qū)、商業(yè)區(qū)、公共服務(wù)區(qū)等提供服務(wù)，完成交通行業(yè)最后一塊“拼圖”，帶動(dòng)居民使用其他公共交通工具的熱情。既與其他公共交通方式產(chǎn)生協(xié)同效應(yīng)，也是一種新型綠色環(huán)保共享經(jīng)濟(jì)。共享單車是一種分時(shí)租賃模式的有償服務(wù)，共享單車的投放量與騎行量相關(guān)。眾所周知，行人是否騎行共享單車與天氣、是否節(jié)假日、是否工作日等因素緊密相關(guān)。為了研究騎行量與這些因素的因果關(guān)系，現(xiàn)采集到某城市兩個(gè)年度與騎行量相關(guān)的12個(gè)特征的數(shù)據(jù)，具體請(qǐng)見數(shù)據(jù)文件“共享單車騎行量數(shù)據(jù).xlsx”，其中“共享單車騎行數(shù)據(jù)”表給出了12個(gè)特征的數(shù)據(jù)，“特征說明”表給出了各特征含義及其取值的說明。請(qǐng)根據(jù)所給數(shù)據(jù)完成下述任務(wù)。建立至少2個(gè)共享單車騎行量預(yù)測(cè)模型（非線性回歸或隨機(jī)森林或神經(jīng)網(wǎng)絡(luò)）；給出表中影響騎行量的11個(gè)特征的重要性；對(duì)模型進(jìn)行評(píng)估；將模型訓(xùn)練好后應(yīng)用于預(yù)測(cè)“待預(yù)測(cè)數(shù)據(jù)”表對(duì)應(yīng)的騎行量；將預(yù)測(cè)模型封裝為一個(gè)預(yù)測(cè)函數(shù)，并通過Python實(shí)現(xiàn)，供相關(guān)企業(yè)使用。注：需附使用說明。

二．?dāng)?shù)學(xué)建模2.1問題分析2.2符號(hào)系統(tǒng)2.3合理的簡(jiǎn)化的假設(shè)2.4模型建立2.5模型求解

三．系統(tǒng)開發(fā)將前面研究結(jié)果集成為一個(gè)系統(tǒng)。3.1系統(tǒng)設(shè)計(jì)3.1.1系統(tǒng)參數(shù)說明一、輸入?yún)?shù)二、輸出參數(shù)3.1.2系統(tǒng)架構(gòu)AppSVM建模SVC訓(xùn)練fit評(píng)估內(nèi)預(yù)測(cè)準(zhǔn)確率accuracy_score預(yù)測(cè)3.2系統(tǒng)實(shí)現(xiàn)#集成開始#〇、導(dǎo)庫(kù)fromsklearn.svmimportSVC#導(dǎo)入數(shù)據(jù)分割函數(shù)：將數(shù)據(jù)分割為訓(xùn)練集和測(cè)試集fromsklearn.model_selectionimporttrain_test_split#導(dǎo)入模型評(píng)估函數(shù)fromsklearn.metricsimportaccuracy_score#一、算法集成defAppSVM(X,y,data,c=1,kernel='rbf',gamma=2,test_size=0.3):#輸入?yún)?shù)說明~~~~~~~~~#1.X,y=對(duì)象在其特征上的觀測(cè)數(shù)據(jù)及其對(duì)應(yīng)的類別，都是數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#2.data=待識(shí)別對(duì)象在其特征上的觀測(cè)值，是一個(gè)數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#3.支持向量機(jī)參數(shù)設(shè)置#c=懲罰因子，應(yīng)用于SVC；默認(rèn)參數(shù)，默認(rèn)值為1。#kernel=指定支持向量機(jī)的核函數(shù)；默認(rèn)參數(shù)，默認(rèn)值為“rbf”（高斯核函數(shù)）。#gamma=僅當(dāng)核函數(shù)為“rbf”時(shí)有效，是平衡支持向量個(gè)數(shù)的參數(shù)：#gamma越大，支持向量越少，gamma值越小，支持向量越多；#默認(rèn)參數(shù)，默認(rèn)值為1。#4.test_size=X,y中數(shù)據(jù)用于測(cè)試的比例，默認(rèn)參數(shù)，默認(rèn)值為0.3。#輸出參數(shù)說明~~~~~~~~~#1.results=字典型數(shù)據(jù)，其鍵為：#labels=對(duì)應(yīng)的預(yù)測(cè)結(jié)果#accuracy=模型的識(shí)別準(zhǔn)確率，包含回代準(zhǔn)確率和測(cè)試準(zhǔn)確率#套路開始#1.建模model=SVC(C=c,kernel=kernel,gamma=gamma)#2.訓(xùn)練#2.1分割訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=test_size,random_state=42)#2.2訓(xùn)練模型model.fit(X_train,y_train)#3.評(píng)估#3.1系統(tǒng)內(nèi)預(yù)測(cè)以計(jì)算預(yù)測(cè)準(zhǔn)確率#3.1.1回代預(yù)測(cè)y_pred_train=model.predict(X_train)#3.1.2測(cè)試預(yù)測(cè)y_pred_test=model.predict(X_test)#3.2據(jù)內(nèi)預(yù)測(cè)結(jié)果計(jì)算預(yù)測(cè)準(zhǔn)確率#3.2.1回代準(zhǔn)確性acc_train=accuracy_score(y_train,y_pred_train)print("訓(xùn)練集預(yù)測(cè)準(zhǔn)確率：",acc_train)#3.2.2測(cè)試準(zhǔn)確性acc_test=accuracy_score(y_test,y_pred_test)print("測(cè)試集預(yù)測(cè)準(zhǔn)確率：",acc_test)#4.預(yù)測(cè)labels=model.predict(data)#5.輸出結(jié)果--results={}results['預(yù)測(cè)類別']=label