BP神经网络共享单车需求预测代码

好的，以下是一个简单的基于BP神经网络的共享单车需求预测代码。

import numpy as np
import pandas as pd
from sklearn.neural_network import MLPRegressor
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error

# 读取数据
data = pd.read_csv('bike_sharing.csv')

# 特征选择
features = ['season', 'holiday', 'workingday', 'weather', 'temp', 'atemp', 'humidity', 'windspeed']

# 数据归一化
scaler = MinMaxScaler()
data[features] = scaler.fit_transform(data[features])

# 训练集和测试集划分
train_data = data.sample(frac=0.8, random_state=1)
test_data = data.drop(train_data.index)

# 构建BP神经网络模型
model = MLPRegressor(hidden_layer_sizes=(10, 10), max_iter=1000)

# 训练模型
model.fit(train_data[features], train_data['count'])

# 预测结果
train_pred = model.predict(train_data[features])
test_pred = model.predict(test_data[features])

# 计算均方误差
train_rmse = np.sqrt(mean_squared_error(train_data['count'], train_pred))
test_rmse = np.sqrt(mean_squared_error(test_data['count'], test_pred))

print('训练集均方误差: {:.2f}'.format(train_rmse))
print('测试集均方误差: {:.2f}'.format(test_rmse))

以上代码使用了`MLPRegressor`类构建了一个包含两个隐藏层的BP神经网络模型，并使用均方误差作为模型评估指标。需要注意的是，代码中做了数据归一化处理，以保证模型能够更好地拟合数据。