在R中对首尔自行车共享需求数据进行回归分析 进行模型分析，以预测每小时所需自行车的数量

简介：数据集的背景/动机 目前，租赁自行车在许多主要城市中得到推广，以提高出行的便利性和环保交通。将租赁自行车在正确的时间提供给公众并使其易于获取是重要的，因为这可以减少等待时间。最终，为城市提供稳定供应的租赁自行车是一个主要关注点。有许多因素，如温度、时间、假期、季节等，可能会影响自行车的可用性。关键部分是预测每小时所需自行车的数量，以实现租赁自行车的稳定供应。 一篇关于首尔自行车共享需求预测的基于规则的模型使用天气数据[1]，使用了两个数据集 - 首尔自行车和首都自行车共享计划。它呈现了使用重复交叉验证方法和测试集进行评估的优化超参数训练的5个统计模型的结果：(a) CUBIST (b) 正则化随机森林 (c) 分类与回归树 (d) K最近邻 (e) 条件推断树。使用多个评估指标，如R2、均方根误差、平均绝对误差和变异系数，来衡量回归模型的预测性能。结果显示，基于规则的CUBIST模型能够在首尔自行车的测试集中解释约95%的方差（R2）。进行了变量重要性分析，以分析所有开发模型的最重要变量，结果显示温度和一天中的小时是每小时租赁自行车需求预测中最有影响力的变量。 Cubist模型基