自行車需求預測

1. 問題

今天來看一個回歸問題——Kaggle競賽Bike Sharing Demand，根據日期時間、天氣、溫度等特征，預測自行車的租借量。訓練與測試數據集大概長這樣：

// train
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed,casual,registered,count
2011-01-01 00:00:00,1,0,0,1,9.84,14.395,81,0,3,13,16
2011-01-01 01:00:00,1,0,0,1,9.02,13.635,80,0,8,32,40

// test
datetime,season,holiday,workingday,weather,temp,atemp,humidity,windspeed
2011-01-20 00:00:00,1,0,1,1,10.66,11.365,56,26.0027
2011-01-20 01:00:00,1,0,1,1,10.66,13.635,56,

觀察上面的數據，我們可以發現：租借量等於注冊用戶租借量加上未注冊用戶租借量，即casual + registered。評價指標是loss函數RMSLE (Root Mean Squared Logarithmic Error)：

\[\sqrt{\frac{1}{n} \sum_{i=1}^n (\log (p_i +1) - \log (a_i+1))^2 } \]

其中，\(p_i\)為預測的租借量，\(a_i\)為實際的租借量，\(n\)為樣本數。實際上，RMSLE就是一個誤差函數。

2. 分析

特征工程

日期時間放在一個string字段里，我們需要解析出年、月、weekday、小時等，之所以沒有選擇天做特征，是因為weekday更具有周期性、代表性。

import pandas as pd

train = pd.read_csv("data/train.csv", parse_dates=[0],
                    date_parser=lambda d: pd.datetime.strptime(d, '%Y-%m-%d %H:%M:%S'))
train['year'] = train['datetime'].map(lambda d: d.year)
train['month'] = train['datetime'].map(lambda d: d.month)
train['hour'] = train['datetime'].map(lambda d: d.hour)
train['weekday'] = train['datetime'].map(lambda d: d.weekday())
train['day'] = train['datetime'].map(lambda d: d.day)

為了方便計算，我們categorical化部分特征：

df['weather'] = df['weather'].astype('category')
df['holiday'] = df['holiday'].astype('category')
df['workingday'] = df['workingday'].astype('category')
df['season'] = df['season'].astype('category')
df['hour'] = df['hour'].astype('category')

選用的特征如下：

features = ['season', 'holiday', 'workingday', 'weather', 'temp', 'atemp', 'humidity',
            'windspeed', 'time', 'weekday', 'year']

之所以丟掉了month特征，是因為發現有過擬合。

回歸

選用GBM來做回歸，參數是通過grid_search挑出來的：

booster = ensemble.GradientBoostingRegressor(n_estimators=500)

param_grid = {'learning_rate': [0.1, 0.05, 0.01],
              'max_depth': [10, 15, 20],
              'min_samples_leaf': [3, 5, 10, 20],
              }
gs_cv = GridSearchCV(booster, param_grid, n_jobs=4).fit(training[features], training['log-count'])
# best hyperparameter setting
print(gs_cv.best_params_)
# {'learning_rate': 0.05, 'max_depth': 10, 'min_samples_leaf': 20}

該方法的RMSLE為0.43789。前面提到了租借量為casual + registered之和，那么我們可以把這兩者看做類別，分別用GBM進行預測，然后相加后得到結果。結果的確將RMSLE降低到了0.41983。

前面只用到了一種回歸方法，那能不能將GBM與RF的結果合到一起呢？答案是可以的，通過賦權值0.5（即平均ensemble）的方式將兩個結果組合起來，RMSLE降低到了0.37022。評價指標結果對比如下：

特征	回歸	RMSLE
+年、星期、小時	GBM	0.43789
	GBM + GBM	0.41983
	GBM RF ensemble	0.37022

結論：ensemble真是個好方法，三個臭皮匠賽過諸葛亮。

3. 參考資料

[1] 阿波, kaggle上的自行車出租數量預測.
[2] Damien RJ, Forecasting Bike Sharing Demand.