Прогнозирование заказов такси

Компания «Чётенькое такси» хочет привлекать больше водителей в период пиковой нагрузки.

КОНТЕКСТ ИССЛЕДОВАНИЯ: исторические данные о заказах такси в аэропортах.

ЦЕЛЬ ИССЛЕДОВАНИЯ: построить модель для прогноза количества заказов такси на следующий час.

КРИТЕРИИ УСПЕХА И ПРИМЕЧАНИЯ:

• Значение метрики RMSE на тестовой выборке должно быть не больше 48

Описание данных для первого исследования:

• Данные: /datasets/taxi.csv

Количество заказов находится в столбце num_orders

Вывод

В ходе работы над исследованием была обучена, выбрана и протестирована лучшая модель машинного обучения, прогнозирующая количество заказов такси в следующий час. Финальное качество модели на тестовой выборке: RMSE == 35.43941408769851

Исследование было разделено на несколько этапов:

1. Загрузка и подготовка данных

• В данных обнаружили информацию о 26496 заках такси в аэропортах
• Данные представлены за промежуток с 1 марта 2018 года (0:00) по 31 августа 2018 года (23:50)
• Пропущенных значений не было обнаружено
• С типами данных все оказалось в порядке
• Сразу ресемплировали данные по часам по задаче заказчика

2. Общий анализ данных

• Построили несколько графиков для визуализации данных
• Обнаружили тренд на повышение количества заказов к августу. Вероятно, летний сезон более активный с точки зрения авиаперевозок среди потребителей, в связи с чем заказы в аэропорты учащаются.
• Минимальное количество заказов ~ в 06:00 (сезонно)
• Максимальное количество заказов ~ в 00:00 (сезонно)
• В течение дня количество заказов примерно среднее, небольшое повышение к вечеру в 16-17 часов.

3. Подбор гиперпараметров и обучение моделей

• Разбили данные на тренировочную и тестовую выборку (9:1)
• Перебрали 3 модели: LinearRegression, RandomForestRegressor и CatBoostRegressor.
• Все модели показали близкий результат метрики RMSE на кросс-валидации, однако в качестве лучшей была признана базовая модель LinearRegression

5. Тестирование лучшей модели

• RMSE на тестовой метрики составило 35.43941408769851, что соответствует критерию успеха от заказчика.
• Визуализировали правильные ответы и предсказанные лучшей моделью ответы.