全文鏈接：http://tecdat.cn/?p=31784

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

為解決城市交通擁堵問(wèn)題，本文提出了一種基于 Matlab決策樹(shù)的交通預(yù)測(cè)方法，我們通過(guò)采集上海地區(qū)的空氣質(zhì)量數(shù)據(jù)和溫度數(shù)據(jù)，幫助客戶在 Matlab中實(shí)現(xiàn)決策樹(shù)建模，利用所提取的天氣和溫度特征建立決策樹(shù)，對(duì)未來(lái)的出行時(shí)間、出行路線等進(jìn)行預(yù)測(cè)。結(jié)果表明：該方法可實(shí)現(xiàn)交通時(shí)間、出行路線的預(yù)測(cè)，并能在未來(lái)三天進(jìn)行有效預(yù)測(cè)時(shí)間長(zhǎng)度與空氣質(zhì)量、溫度相關(guān)。

數(shù)據(jù)

里面一個(gè)是天氣數(shù)據(jù)（區(qū)縣自動(dòng)站實(shí)況數(shù)據(jù)），只把地區(qū)為徐家匯的取出來(lái)，其余地點(diǎn)的不用參考。

另一個(gè)是空氣數(shù)據(jù)（實(shí)時(shí)空氣質(zhì)量數(shù)據(jù)）。

預(yù)期結(jié)果

根據(jù)空氣中的空氣質(zhì)量和天氣數(shù)據(jù)中的溫度及天氣情況做一個(gè)交通出行的推薦。

舉個(gè)例子： 今天溫度0度 天氣晴朗 空氣質(zhì)量?jī)?yōu) 出行方式可以為 公交車或地鐵。

今天溫度15度 天氣晴朗 空氣質(zhì)量?jī)?yōu) 出行方式為 步行。

今天溫度15度 天氣晴朗 控制質(zhì)量輕度污染 出現(xiàn)方式為 公交車或地鐵。

讀取氣溫?cái)?shù)據(jù)

[data, ~, raw] = xlsread('區(qū)縣自動(dòng)站實(shí)況數(shù)據(jù).xlsx','Sheet2');

篩選對(duì)應(yīng)日期數(shù)據(jù)

data=data(1:9649,:);raw=raw(1:9649,:);

找出徐家匯地區(qū)的數(shù)據(jù)

index=strcmp(raw(:,3),'徐家匯')

讀取空氣質(zhì)量數(shù)據(jù)

[data2, ~, raw2, dateNums] = xlsread('實(shí)時(shí)空氣質(zhì)量數(shù)據(jù)（歷史）2.xlsx','Sheet1','','

篩選對(duì)應(yīng)日期數(shù)據(jù)

data2=data2(4415:end,:);raw2=raw2(4415:end,:);

得到對(duì)應(yīng)時(shí)間

index=1:3:2880

得到對(duì)應(yīng)時(shí)間的 空氣質(zhì)量數(shù)據(jù)

mydata=[raw,raw2];

建立決策規(guī)則

分類類別號(hào)

label=mydata(:,18);%label=label(2:end);

將類別號(hào)賦值給outData

outData=label;

獲得特征變量矩陣

inData = [data,data2]; % 輸入特征矩陣

根據(jù)訓(xùn)練集數(shù)據(jù)創(chuàng)建決策樹(shù)

classregtree(inData, o)

查看決策樹(shù)

view(mytree);

決策樹(shù)規(guī)則

Decision tree for classification ??1 ?if x5<11.5 then node 2 elseif x5>=11.5 then node 3 else 步行 ??2 ?if x5<3.5 then node 4 elseif x5>=3.5 then node 5 else 步行 ??3 ?if x13<0.45 then node 6 elseif x13>=0.45 then node 7 else 步行 ??4 ?if x1<2.01504e+011 then node 8 elseif x1>=2.01504e+011 then node 9 else 公交車或地鐵 ??5 ?if x12<91.5 then node 10 elseif x12>=91.5 then node 11 else 步行 ??6 ?if x11<11.5 then node 12 elseif x11>=11.5 then node 13 else 步行 ??7 ?if x9<27.5 then node 14 elseif x9>=27.5 then node 15 else 公交車或地鐵 ??8 ?if x6<1.6 then node 16 elseif x6>=1.6 then node 17 else 公交車或地鐵 ??9 ?class = 步行 ?10 ?if x8<86.5 then node 18 elseif x8>=86.5 then node 19 else 步行 ?11 ?class = 公交車或地鐵 ?12 ?if x7<1.5 then node 20 elseif x7>=1.5 then node 21 else 步行 ?13 ?if x9<94 then node 22 elseif x9>=94 then node 23 else 公交車或地鐵 ?14 ?if x9<8.5 then node 24 elseif x9>=8.5 then node 25 else 步行 ?15 ?if x6<2.75 then node 26 elseif x6>=2.75 then node 27 else 公交車或地鐵 ?16 ?class = 公交車或地鐵 ?17 ?class = 步行 ?18 ?class = 步行 ?19 ?if x1<2.01502e+011 then node 28 elseif x1>=2.01502e+011 then node 29 else 步行 ?20 ?class = 步行 ?21 ?if x1<2.01504e+011 then node 30 elseif x1>=2.01504e+011 then node 31 else 步行 ?22 ?if x4<6.95 then node 32 elseif x4>=6.95 then node 33 else 公交車或地鐵 ?23 ?class = 步行 ?24 ?if x6<0.35 then node 34 elseif x6>=0.35 then node 35 else 公交車或地鐵 ?25 ?if x8<49.5 then node 36 elseif x8>=49.5 then node 37 else 步行 ?26 ?if x6<2.25 then node 38 elseif x6>=2.25 then node 39 else 公交車或地鐵 ?27 ?if x11<26.5 then node 40 elseif x11>=26.5 then node 41 else 步行 ?28 ?class = 步行 ?29 ?class = 公交車或地鐵 ?30 ?class = 步行 ?31 ?class = 公交車或地鐵 ?32 ?if x5<142.5 then node 42 elseif x5>=142.5 then node 43 else 步行 ?33 ?class = 公交車或地鐵 ?34 ?class = 步行 ?35 ?if x5<311 then node 44 elseif x5>=311 then node 45 else 公交車或地鐵 ?36 ?if x9<22 then node 46 elseif x9>=22 then node 47 else 公交車或地鐵 ?37 ?if x12<135 then node 48 elseif x12>=135 then node 49 else 步行 ?38 ?if x5<102.5 then node 50 elseif x5>=102.5 then node 51 else 公交車或地鐵 ?39 ?if x8<18.5 then node 52 elseif x8>=18.5 then node 53 else 公交車或地鐵 ?40 ?if x12<40.5 then node 54 elseif x12>=40.5 then node 55 else 步行 ?41 ?if x6<3 then node 56 elseif x6>=3 then node 57 else 公交車或地鐵 ?42 ?class = 步行 ?43 ?if x1<2.01503e+011 then node 58 elseif x1>=2.01503e+011 then node 59 else 公交車或地鐵 ?44 ?class = 公交車或地鐵 ?45 ?class = 步行 ?46 ?if x4<21.75 then node 60 elseif x4>=21.75 then node 61 else 公交車或地鐵 ?47 ?if x14<40.5 then node 62 elseif x14>=40.5 then node 63 else 步行 ?48 ?if x12<78.5 then node 64 elseif x12>=78.5 then node 65 else 步行 ?49 ?if x5<212 then node 66 elseif x5>=212 then node 67 else 公交車或地鐵 ?50 ?if x14<35.5 then node 68 elseif x14>=35.5 then node 69 else 公交車或地鐵 ?51 ?if x6<1.85 then node 70 elseif x6>=1.85 then node 71 else 步行 ?52 ?class = 公交車或地鐵

查看所有預(yù)測(cè)的分類標(biāo)簽

y_esttype classregtree

判斷準(zhǔn)確率

Remp

氣溫

hist(inData(:,4))

風(fēng)向

hist(inData(:,5))

風(fēng)速

hist(inData(:,6))

O3

hist(inData(:,10))

SO2

hist(inData(:,11))

?NO2

hist(inData(:,12))

最受歡迎的見(jiàn)解

1.PYTHON用戶流失數(shù)據(jù)挖掘：建立邏輯回歸、XGBOOST、隨機(jī)森林、決策樹(shù)、支持向量機(jī)、樸素貝葉斯模型和KMEANS聚類用戶畫(huà)像

2.R語(yǔ)言基于樹(shù)的方法：決策樹(shù)，隨機(jī)森林

3.python中使用scikit-learn和pandas決策樹(shù)

4.機(jī)器學(xué)習(xí)：在SAS中運(yùn)行隨機(jī)森林?jǐn)?shù)據(jù)分析報(bào)告

5.R語(yǔ)言用隨機(jī)森林和文本挖掘提高航空公司客戶滿意度

6.機(jī)器學(xué)習(xí)助推快時(shí)尚精準(zhǔn)銷售時(shí)間序列

7.用機(jī)器學(xué)習(xí)識(shí)別不斷變化的股市狀況——隱馬爾可夫模型的應(yīng)用

8.python機(jī)器學(xué)習(xí)：推薦系統(tǒng)實(shí)現(xiàn)（以矩陣分解來(lái)協(xié)同過(guò)濾）

9.python中用pytorch機(jī)器學(xué)習(xí)分類預(yù)測(cè)銀行客戶流失