Prediction bike-sharing demand with gradient boosting methods

The increasing popularity of bike-sharing systems has led to a growing demand for accurate demand prediction methods. This study explores the use of gradient-boosting methods for predicting demand for bike-sharing systems. In this paper, we propose a method for predicting bike-sharing demand using gradient boosting algorithms XGBoost, LightGBM, and CatBoost. This study examined two real-world data sets, one for Konya and the other for Washington, D.C. Both of the datasets include information such as weather conditions, and specific characteristics of the day. We make highly accurate predictions of future bike-sharing demand by training a gradient-boosting model on historical data. CatBoost outperforms XGboost and LightGBM when all gradient boosting models are trained with the best hyperparameter sets.

Gradyan artýrma yöntemleriyle bisiklet paylaþým talebini tahminleme

Bisiklet paylaþým sistemlerinin artan popülaritesi, talebi doðru tahmin etme ihtiyacýný artýrmýþtýr. Bu çalýþma, bisiklet paylaþým sistemlerinde talebi tahmin etmek için gradyan artýrma yöntemlerinin kullanýmýný araþtýrmaktadýr. Bu amaçla, XGBoost, LightGBM ve CatBoost gradyan artýrma algoritmalarýný kullanarak bisiklet paylaþým talebini tahmin etmek için bir yöntem önerilmektedir. Önerilen yöntem Konya ve Washington, D.C. olmak üzere iki gerçek dünya veri setine uygulanmýþtýr. Her iki veri setinde de hava koþullarý ve günün belirli özellikleri gibi bilgiler yer almaktadýr Geçmiþ veriler üzerinde bir gradyan artýrma modeli eðiterek, gelecekteki bisiklet paylaþýmý talebine iliþkin son derece doðru tahminler yapýlabilmektedir. Tüm gradyan artýrma modelleri en iyi hiperparametre kümeleriyle eðitildiðinde; CatBoost, XGboost ve LightGBM'den daha iyi performans göstermiþtir.