731天共享单车数据集 | 日级+小时级 | 需求预测实操 | 机器学习

封面：慧数研析社原创 AI 插画。正文曲线与误差图为真实数据计算图，不是官方效果展示。

共享单车运力安排涉及两个不同的问题：明天整体会有多少次租赁，以及某个小时会出现多大的需求。前者帮助理解日常资源规模，后者关系到更细的时段安排。对刚开始学习计数回归的开发者而言，一份同时提供日级、小时级记录的数据，可以把业务问题、表格字段和评估粒度连起来，也便于观察同一套方法在不同任务中的表现。

但找数据时，困难往往不在模型选择。原始出行明细可能涉及隐私，聚合表又容易丢失字段含义；下载后如果不了解标签和时间范围，就可能把历史实测信息当作未来输入，或者把随机拆分分数当作实际预测能力。教程若只给读取代码、不给许可与划分依据，读者仍然无法判断数据是否适合自己，更难确认结果能否复现。

UCI 的 Bike Sharing 提供历史租赁聚合计数、日历和天气字段，适合练习这些基本判断。本文先核对规模、格式、许可、优势及局限，再完成下载检查、预处理、日级与小时级预测和误差解读。目标是让你拿到一条可以复制、能够解释的学习流程；它不包含站点库存，也不直接提供今天某座城市的可用调度方案。

一、数据集核心信息：先判断是否适合你的任务

以下依据 UCI 原始数据卡、ZIP 内 Readme 与本文 2026-10-28 实际读取。表中“未说明”表示所核对来源没有给出，不代表该属性不存在。

有一处口径冲突必须保留：UCI 页面顶部的实例数是17,389；ZIP 的 Readme 与本次解析的小时文件均为17,379行。本文采用原文件实读行数，日级731行另行核对；不把网页摘要数字直接替换成代码的预期结果。ZIP 的校验值写在获取代码中，用于识别本次文件，不是官方版本号。

二、核心优势与限制：它的学习价值在哪里

这份数据适合用较小的表格材料，完整练习从业务粒度、字段理解到预测评估的流程。其特点有四项，以下不作缺少同条件证据的“优于所有同类”比较。

• 日级与小时级配套，能比较两种需求问题。原始包同时给出day.csv与hour.csv，小时文件新增hr。读者既可练习每日总需求，也可把目标细化到时段；两种误差单位不同，不能直接比较分数大小判断哪个模型更强。
• 字段解释可追溯，便于决定输入边界。Readme说明了日期、工作日、天气和租赁计数等含义。本文据此挑选预测前可知的日历字段，并识别casual、registered是目标组成部分；“有字段说明”不代表所有字段都可直接拿来预测。
• 标准CSV降低读取门槛。本次原始ZIP为279,992字节，pandas可直接读取，无需准备图像解码或深度学习训练流水线。训练演示使用scikit-learn的编码器与回归器，不要求GPU；不据此承诺具体电脑上的耗时。
• 分项与总量可核对，适合训练质量审查习惯。两份文件均可验证casual+registered=cnt，并检查主键、缺失和非负计数。这能提供具体审查练习，但恒等式成立不等于所有记录都没有采集误差，也不是独立标注准确率证明。

限制也很明确：数据属于较早时期的一个运营系统，不能代表今天所有城市；聚合记录不能回答逐车路径、站点剩余车辆等问题。历史天气通常是当时的实际观测，不能在“未来需求预测”中假装已经拿到当天实测值。本文两个任务只用日历信息，结果用于学习，不作线上调度效果承诺。

三、数据样例：先读懂一行代表什么

下表为day.csv最前面的三条真实记录，仅选取部分字段；代码会打印同样的内容。weekday保留原文件编码，不自行改成另一套星期编号。

cnt统计租赁次数，不是独立骑行人数。日级每行是一天，小时级每行是某天某小时。小时文件的“日期+小时”才是本实验使用的记录键，不能只按日期去重，否则会错误删除同一天的大部分小时记录。

四、环境、获取与预处理：先让输入可信

1. 建环境并获取原文件

核心代码已在Python 3.14.0、NumPy 2.5.4、pandas 3.1.0、scikit-learn 1.9.1实际执行。下面是macOS/Linux环境命令；其他操作系统的安装没有逐一验证。无需GPU。

python3-mvenv .venvsource.venv/bin/activate python-mpipinstallnumpy==2.5.4pandas==3.1.0 scikit-learn==1.9.1

下列Python代码块按顺序拼接，保存为bike_two_scales.py，再执行python bike_two_scales.py。所有数据从UCI官方地址获取；若哈希断言失败，先回原页核对版本与文件变化，不能直接删断言后继续沿用本文数字。

"""UCI Bike Sharing: daily/hourly demand tutorials, not official benchmarks."""importhashlibimportioimportjsonimportplatformimporturllib.requestimportzipfilefrompathlibimportPathimportnumpyasnpimportpandasaspdimportsklearnfromsklearn.dummyimportDummyRegressorfromsklearn.linear_modelimportPoissonRegressorfromsklearn.metricsimportmean_absolute_error,root_mean_squared_errorfromsklearn.pipelineimportmake_pipelinefromsklearn.preprocessingimportOneHotEncoder URL="https://archive.ics.uci.edu/static/public/275/bike+sharing+dataset.zip"withurllib.request.urlopen(URL,timeout=60)asresponse:raw=response.read()asserthashlib.sha256(raw).hexdigest()==("b70182d0d0508e9abbb79306ce5c0cec34869000f8220175ac83d11dbe845401"),"File changed: inspect the official source before continuing."withzipfile.ZipFile(io.BytesIO(raw))asarchive:day=pd.read_csv(archive.open("day.csv"),parse_dates=["dteday"])hour=pd.read_csv(archive.open("hour.csv"),parse_dates=["dteday"])sizes={name:archive.getinfo(name).file_sizefornameinarchive.namelist()}forframe,keysin[(day,["dteday"]),(hour,["dteday","hr"])]:assertnotframe.duplicated(keys).any()assertnotframe.isna().any().any()assert(frame["casual"]+frame["registered"]==frame["cnt"]).all()assert(frame["cnt"]>=0).all()day=day.sort_values("dteday").reset_index(drop=True)hour=hour.sort_values(["dteday","hr"]).reset_index(drop=True)print(day[["dteday","mnth","weekday","workingday","cnt"]].head(3))

2. 为什么这样预处理

代码先检查键是否重复、是否有缺失、目标是否非负，以及分项能否加回总量，然后按日期或“日期+小时”排序。此次检查通过，因此不额外填补或删行；表格也不需要图像缩放、通道转换。机械套用图像增强会改变这里的业务意义。

小时文件与完整的731天×24小时网格相比，少165个日历时段，这是本文按原文件行数计算的差额；来源未逐条解释原因。缺少记录不能直接等于零需求，本例只对现有记录做评估，不自动补零，也不声称覆盖完整连续小时序列。

两个任务都按2011年训练、2012年测试。独热编码器只在训练集拟合，并与模型组成Pipeline，避免预处理跨越测试边界。未设置验证集是因为本例不选参数；后续调参应在训练期内部划出时间窗口，不能反复拿2012年的分数挑配置。

来源：UCI day.csv；慧数研析社实际计算绘图。虚线是本文选择的切分，不是官方规定。此图沿用此前同一文件、同一划分的已执行绘图结果。

五、两个核心任务：从日需求到小时需求

1. 共用训练函数：先给简单基线留位置

每个任务都比较训练期目标中位数与日历Poisson回归。中位数模型回答“不学习日历规律能做到什么”；Poisson回归提供非负计数均值的建模示例，不要求真实数据严格符合理想Poisson分布，也不保证它是最优模型。

alpha=1.0是本文选择的正则化强度，max_iter=1000为迭代上限，均不是数据集官方推荐参数。月份、星期和小时采用类别编码；handle_unknown="ignore"避免未知类别转换时报错，但不代表模型学到了该类别的效果。MAE按绝对误差平均，RMSE对大误差惩罚更重。

# Shared training function: fit both preprocessing and model on 2011 only.defevaluate(frame,features):train=frame["dteday"]<"2012-01-01"X,y=frame[features],frame["cnt"]models={"median":DummyRegressor(strategy="median"),"calendar_poisson":make_pipeline(OneHotEncoder(handle_unknown="ignore",sparse_output=False),PoissonRegressor(alpha=1.0,max_iter=1000),),}scores={}forname,modelinmodels.items():model.fit(X[train],y[train])pred=model.predict(X[~train])scores[name]={"MAE":float(mean_absolute_error(y[~train],pred)),"RMSE":float(root_mean_squared_error(y[~train],pred)),}return{"rows":len(frame),"columns":len(frame.columns),"train_rows":int(train.sum()),"test_rows":int((~train).sum()),"features":features,"scores":scores,}

2. 任务A：预测某天的总租赁需求

目标是在该日开始前，用月份、星期、工作日与假日信息估计当日cnt。预测时假设这些日历信息已知；不使用当天实测天气，不把casual和registered作为输入。该任务适合练习总体需求规划问题，输出单位为“次/天”。

# Task A: next-day total demand, using calendar inputs available in advance.calendar=["mnth","weekday","workingday","holiday"]daily_result=evaluate(day,calendar)print("DAILY",json.dumps(daily_result,indent=2))

实际划分为365条训练记录、366条测试记录。结果如下，保留到两位小数：

日历模型MAE没有赢过简单基线，RMSE略低，不能写成全面提升。这些输入未包含运营规模变化等信息，且没有参数搜索；它们可能限制跨年预测，但本文没有用消融实验证明各因素的贡献，原因分析不能冒充因果结论。

3. 任务B：预测指定小时的租赁需求

使用hour.csv，以小时cnt为目标，在同一日历特征基础上加入目标时段hr。比如计划某日某小时的需求时，小时编号本来就已知；不能加入那个小时结束后才有的分项计数。这是另一种输出粒度的应用任务，仍属于计数回归，不冒充一种新的算法任务类型。

# Task B: an hour's demand, adding the known target hour, not future counts.hourly_result=evaluate(hour,calendar+["hr"])print("HOURLY",json.dumps(hourly_result,indent=2))

实际划分为8,645条训练记录、8,734条测试记录：

在这个留出切分上，小时模型两项误差都低于中位数基线。但日级与小时级目标单位、范围不同，118.60与2345.64不能拿来直接比较模型优劣。本例也没有通过额外消融，把改善全部归因于小时字段；它只证明当前小时配置优于当前小时基线。

4. 保存复现记录

最后一段写出two-scales-results.json，包含版本、哈希、两任务的划分和分数、样例与原文件体积。它记录的是本文计算，不是UCI榜单。

report={"python":platform.python_version(),"numpy":np.__version__,"pandas":pd.__version__,"sklearn":sklearn.__version__,"zip_bytes":len(raw),"sha256":hashlib.sha256(raw).hexdigest(),"uncompressed_bytes":sizes,"daily":daily_result,"hourly":hourly_result,"daily_first3":json.loads(day[["dteday","mnth","weekday","workingday","cnt"]].head(3).to_json(orient="records",date_format="iso")),"hourly_missing_calendar_slots":int(len(pd.date_range(day.dteday.min(),day.dteday.max()))*24-len(hour)),}Path(__file__).with_name("two-scales-results.json").write_text(json.dumps(report,ensure_ascii=False,indent=2),encoding="utf-8")

六、效果解释与部署建议：别把数据审查误当模型成绩

来源：慧数研析社此前对同一day.csv的实际计算，日级两模型与本次重跑结果一致。前两项为2012年测试误差；第三项为全体日记录casual+registered与cnt的恒等式校验，MAE为0，是把答案加回来，非模型成绩，不能与前两项作同条件性能比较。

如果把这两个分项放进输入，分数可能非常漂亮，但在预测时点它们尚未发生。日期切分不能自动修复这种语义泄漏；改模型也不能让未来信息提前存在。数据集同时适合练习预测与审查，前提是分清两者。

若准备部署，先固定预测提前量、可用日历与天气预报的发布时间，再用训练期滚动验证比较配置。小时应用还需确认缺失时段如何处理，监控新数据的规模变化，并考虑调度业务对高峰误差的容忍度。本文未执行上线、滞后特征、天气预报接入或滚动验证，不提供虚构的部署提升。

七、获取、常见问题与下一步

获取与使用：从文末 UCI 原页下载 ZIP，按顺序运行正文代码。保留作者、数据来源、CC BY 4.0 许可及 Readme 要求的论文引用；先确认该历史聚合数据符合你的用途。本文未上传网盘副本，完整代码无需额外领取。

FAQ：需要账号吗？本文官方 ZIP 下载不需要。能预测站点库存吗？文件没有站点库存字段。小时记录能补零吗？缺少的时段不等于已证实的零需求，应先调查来源。

下一步可在训练期设计滚动验证，再比较更丰富的事前可用特征。你更关心按天规划还是按小时安排？可以从其中一个任务开始，记录字段产生时刻、切分依据和误差，再讨论如何改进。

来源与实测说明

• UCI Bike Sharing数据卡、字段与许可，访问日期2026-10-28；来源事实与本文原文件统计在信息表中分列。
• UCI官方ZIP及Readme，本次解析与校验的原始文件；请按其中要求引用论文Event labeling combining ensemble detectors and background knowledge，Hadi Fanaee-T与João Gama。
• 数据集DOI。
• scikit-learn PoissonRegressor官方文档，解释模型与参数，不作为本文效果来源。
• scikit-learn常见陷阱与数据泄漏，训练/测试边界及Pipeline原则。

正文代码已在列明环境实际执行；数值来自本次保存的two-scales-results.json，图表来自同一原始文件的已执行计算。正文由慧数研析社使用AI辅助整理。没有进行线上调度验证。