自行车份额预测 该工具允许希望获得共享单车使用量预测的人们。 目前，它可以与系统一起使用，但是可以在一分钟内扩展到任何共享单车系统，尤其是任何系统。 该Web服务的示例实例在Heroku上运行，您可以在以下位置访问它： : 。 它包含Vélib合同的站点，但不做任何预测。 安装 从获取API密钥 从获取API密钥 从获取API密钥（每天最多1000个调用） 使用以下格式创建config/api_keys.yml文件： jcdecaux: API_KEY openweathermap: API_KEY forecastio: API_KEY bundle install bundle exec rake db:create bundle exec rake db:migrate bundle exec whenever -i bundle exec rake fetch:p

神经自行车 该项目在个人设备和资源上运行。 网站上没有使用跟踪器，并且它是免费的。 如果您喜欢它，请考虑通过捐赠或解锁iOS应用程序上的其他功能来支持它。 为什么会存在？ 世界各地的自行车共享服务都存在相同的问题。 骑行方式不平等会导致整个城市的自行车分配不均。 这迫使工人重新平衡使用大型车辆的服务，或者通过激励用户从整站解锁自行车。 这是全球所有对接系统中都存在的问题。 自行车共享应用程序不会为用户提供有洞察力的信息。 它们仅提供反映系统实际状态的信息。 但是以前的模式会影响实际状态，甚至可能影响未来。 通过不断地收集数据，我试图通过使用最近几天的可用性来预测可用性来解决此问题。 该存储库包含用于生成预测的实际代码。所有数据分析，处理和神经网络训练均由该项目完成。 我正在尽可能多地更新此项目，以使其适应不同城市的需求。 到目前为止，每天都会对毕尔巴鄂，马德里，纽约和伦敦等城市进

共享单车 我在 Kaggle 自行车共享需求竞赛中的尝试 文件描述和生成结果的执行顺序 clean_combine - 清理测试和训练数据集并将它们组合成单个 csv add_features - 添加回归算法使用的附加功能 Daily_trend_rf_​​split_predict - 使用随机森林来拟合注册用户和临时用户的每日总和，然后使用它来规范化数据，计算两个类别的典型工作日和工作日每小时趋势，并将它们组合在一起以对整个进行每小时预测2年时间跨度 回归分类器可以以任何顺序运行 4a. random_forest_hourly_predict - 使用随机森林和由天气等组成的特征来预测 rf 每日趋势预测的对数与实际计数的对数之间的差异 4b. gb_trees_hourly_predict - 使用梯度提升树和由天气等组成的特征来预测 rf 每日趋势预测的对数与实际计数的对数

Bike-share-project:使用Python t了解美国的Bikeshare数据，计算统计数据并建立一个交互式环境，用户可以在其中选择数据并过滤数据集以进行分析