التنبؤ بالطلب على الدراجات المستأجرة في سيول | Seoul Bike Sharing

مشروع يهدف إلى التنبؤ بعدد الدراجات المستأجرة في الساعة بمدينة سيول باستخدام تعلم الآلة، بالاعتماد على بيانات الطقس والوقت. شمل المشروع تحليل بيانات تضم 8,760 سجلًا، وتنظيفها واستكشاف أنماط الطلب، ثم بناء خمسة نماذج انحدار ومقارنتها باستخدام التحقق المتقاطع الزمني. تم اختيار نموذج Ridge Regression بناءً على نتائج التحقق المتقاطع، وحقق قيمة R² بلغت 0.4753 على بيانات الاختبار، مع إجراء تنبؤات افتراضية لظروف مختلفة من الطقس والوقت.

Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, Google Colab, Ridge Regression

• - فحص جودة البيانات وتجهيزها، واستبعاد 295 ساعة غير تشغيلية من بيانات النمذجة، وتحليل القيم الشاذة.
• - استكشاف العلاقة بين الطلب والطقس والوقت والفصول باستخدام الرسوم البيانية ومصفوفة الارتباط.
• - إنشاء خصائص زمنية جديدة وبناء خمسة نماذج انحدار ومقارنة أدائها.
• - استخدام TimeSeriesSplit وGridSearchCV للتحقق المتقاطع وضبط إعدادات Ridge Regression، وتحقيق Test R² = 0.4753.
• - استخدام Permutation Importance لتفسير أهمية الخصائص، وإجراء ثلاثة تنبؤات افتراضية لظروف مختلفة.