t22000t/bike-sharing-tabular

这是一个即用型的UCI自行车共享数据集（小时粒度，17,379行×17列），附带了来自8架构表格建模管道的基准指标，用于直接比较。数据集由Fanaee-T和Gama（2014年）收集和发布，包含从2011年1月到2012年12月的小时观测数据。目标变量是每小时自行车租赁数量cnt（范围1-977），属于计数数据，建议使用泊松分布。特征包括7个连续特征（如温度、湿度、风速、时间特征）和5个分类特征（如季节、天气、星期几、假日、工作日）。数据集中没有缺失值，且不包含个人敏感信息，每个行是华盛顿特区Capital Bikeshare系统每小时聚合的自行车租赁计数。许可证：CC BY 4.0 易读名称：每小时自行车共享需求（泊松分布（Poisson）版） 规模类别： - 10K < n < 100K 语言： - 英语 任务类别： - 表格回归（tabular-regression） 标签： - 表格数据（tabular） - 回归（regression） - 泊松分布（Poisson） - 计数数据（count-data） - 时间序列（time-series） - 基准测试（benchmark） - UCI 配置项： - 配置名称：default 数据文件：hour.csv # 每小时自行车共享需求（泊松分布（Poisson）版） 这是**UCI机器学习仓库（UCI ML Repository）自行车共享数据集**的小时级粒度版本（17,379行 × 17列），可直接使用，附带**8种架构的表格建模流水线基线指标**，便于直接进行性能对比。 原始数据由**Fanaee-T与Gama（2014）** 收集并发布。来源：[UCI机器学习仓库（UCI ML Repository）ID 275](https://archive.ics.uci.edu/dataset/275/bike+sharing+dataset)。 ## 概览 | 字段 | 取值 | |---|---| | 行数 | 17,379条小时级观测数据 | | 时间范围 | 2011年1月 — 2012年12月 | | 列数 | 17列（16个特征 + 1个目标变量） | | 目标变量 | `cnt`（小时级自行车租赁总数量） | | 目标变量取值范围 | 1 — 977 | | 目标变量均值/中位数 | 189 / 142 | | 分布族 | **泊松分布（Poisson）**（计数数据） | | 连续特征 | 7项（温度、湿度、风速、时间特征等） | | 分类特征 | 5项（季节、天气、星期几、节假日、工作日） | | 缺失值 | 无 | ## 推荐分布族 `cnt`为非负计数变量，因此**带对数连接函数的泊松分布（Poisson）族**是自然选择。[表格数据建模流水线](https://github.com/timothy22000/tabular_data_modelling_pipeline) 已内置现成配置：[`configs/example_bike_sharing.py`](https://github.com/timothy22000/tabular_data_modelling_pipeline/blob/master/configs/example_bike_sharing.py)。 ## 使用方法 ### 方式1：通过Hugging Face Datasets库加载 python from datasets import load_dataset ds = load_dataset("t22000t/bike-sharing-tabular", split="train") print(ds[0]) ### 方式2：使用纯Pandas加载 python import pandas as pd df = pd.read_csv("hf://datasets/t22000t/bike-sharing-tabular/hour.csv") print(df.shape, df["cnt"].describe()) ### 方式3：通过配套建模流水线使用 bash git clone https://github.com/timothy22000/tabular_data_modelling_pipeline cd tabular_data_modelling_pipeline pip install -e ".[all]" python scripts/download_data.py --dataset bike_sharing python train.py --config configs/example_bike_sharing.py --input data/bike_sharing.csv ## 特征字典 | 特征名称 | 类型 | 描述 | |---|---|---| | `instant` | 整数 | 记录ID（训练前需丢弃） | | `dteday` | 日期 | 日期字符串（需丢弃，改用`yr`/`mnth`） | | `season` | 分类 | 1=春季，2=夏季，3=秋季，4=冬季 | | `yr` | 整数 | 0=2011年，1=2012年 | | `mnth` | 整数 | 1-12（月份） | | `hr` | 整数 | 一天中的小时（0-23） | | `holiday` | 分类 | 0/1（是否为节假日） | | `weekday` | 分类 | 0=周日 … 6=周六 | | `workingday` | 分类 | 1=工作日，0=非工作日 | | `weathersit` | 分类 | 1=晴朗，2=薄雾，3=小雨/小雪，4=强降水 | | `temp` | 浮点数 | 归一化摄氏温度（除以41） | | `atemp` | 浮点数 | 归一化体感温度（除以50） | | `hum` | 浮点数 | 归一化湿度（除以100） | | `windspeed` | 浮点数 | 归一化风速（除以67） | | `casual` | 整数 | **数据泄露特征** - 非注册用户租赁量（需从特征集中排除） | | `registered` | 整数 | **数据泄露特征** - 注册用户租赁量（需从特征集中排除） | | `cnt` | 整数 | **目标变量** - 总租赁量（`casual + registered`） | `casual`与`registered`的和即为`cnt`，需从特征集中移除，内置配置已自动完成该步骤。 ## 基线指标（8架构流水线） _基线指标将在模型仓库[`t22000t/bike-sharing-tabular-models`](https://huggingface.co/t22000t/bike-sharing-tabular-models)上线后补充。_ ## 数据集划分 本数据集为单个CSV文件，包含2011年1月至2012年12月的17,379条小时级数据。建模流水线默认采用`seed=42`的确定性80/20随机划分。若需更贴合实际的时间序列划分，请将`DatasetConfig.split_col`设置为自行构建的列（例如“2012-09之前/之后”）。 ## 个人与敏感信息 无敏感信息。每条记录均为美国华盛顿特区Capital Bikeshare系统的聚合小时级自行车租赁计数，不包含任何骑手个体数据。 ## 许可证与署名 **CC BY 4.0**。原始发表文献： > Fanaee-T, Hadi, and Gama, Joao. _Event labeling combining ensemble detectors and background knowledge._ Progress in Artificial Intelligence (2014): pp. 1-15, Springer Berlin Heidelberg. UCI机器学习仓库（UCI ML Repository）链接：https://archive.ics.uci.edu/dataset/275/bike+sharing+dataset ## 引用格式 bibtex @article{fanaee2014event, title = {Event labeling combining ensemble detectors and background knowledge}, author = {Fanaee-T, Hadi and Gama, João}, journal = {Progress in Artificial Intelligence}, pages = {1--15}, year = {2014}, publisher = {Springer Berlin Heidelberg} } @software{tabular_data_modelling_pipeline, author = {Mun, Timothy}, title = {tabular-data-modelling-pipeline}, url = {https://github.com/timothy22000/tabular_data_modelling_pipeline}, year = {2026} } ## 相关资源 - 🤖 [t22000t/bike-sharing-tabular-models](https://huggingface.co/t22000t/bike-sharing-tabular-models) - 本数据集上预训练的模型 - 📂 [t22000t/house-prices-tabular](https://huggingface.co/datasets/t22000t/house-prices-tabular) - 配套数据集（伽马分布族） - 📦 [tabular-data-modelling-pipeline](https://github.com/timothy22000/tabular_data_modelling_pipeline) - 底层建模流水线

搜集汇总

数据集介绍

构建方式

该数据集源自Fanaee-T与Gama于2014年发布的UCI Bike Sharing Dataset，专注于华盛顿Capital Bikeshare系统每小时自行车租赁量的计数数据。其构建方式基于原始数据集的每小时粒度整理，共包含17,379行观测记录，时间跨度覆盖2011年1月至2012年12月。数据集由17个字段构成，其中涵盖7个连续型特征（如温度、湿度、风速）、5个类别型特征（如季节、天气、工作日标识）以及目标变量cnt（每小时租赁总数）。值得注意的是，casual和registered两个字段因直接构成目标值的组成部分而被标记为泄漏特征，需在建模时排除。数据集以单一CSV文件hour.csv形式存储，同时配套了基于8种架构的表格建模流程基线指标，便于研究者进行直接性能对比。

特点

该数据集的核心特点在于其计数数据的泊松分布属性，目标变量cnt取值范围为1至977，均值与中位数分别为189和142，呈现典型的右偏分布特征，非常适合采用对数连接的泊松族进行建模。数据集无任何缺失值，且所有连续特征均经过归一化处理，例如温度除以41、湿度除以100等，确保了数值范围的统一性。此外，数据集中时间特征丰富，包含年份、月份、小时、星期几及节假日标识，为时间序列分析与季节性模式挖掘提供了充分支撑。数据集还额外提供了基线指标，涵盖8种不同神经网络架构在泊松损失下的表现，可作为模型性能的参考基准。

使用方法

该数据集的使用方式灵活多样，支持通过HuggingFace Datasets库直接加载，调用`load_dataset('t22000t/bike-sharing-tabular', split='train')`即可获取完整数据。亦可通过Pandas读取远程CSV文件，使用`pd.read_csv('hf://datasets/t22000t/bike-sharing-tabular/hour.csv')`实现快速导入。对于追求标准化建模流程的用户，可借助配套的tabular-data-modelling-pipeline工具，通过克隆仓库并执行预设配置脚本自动完成数据下载与模型训练。该流水线默认执行80/20随机划分，并内置泄漏特征剔除逻辑；若需时间序列感知的划分，用户可自行构造分割列以模拟真实预测场景。

背景与挑战

背景概述

共享单车系统作为城市智慧交通的重要组成部分，其需求预测对资源配置与运营效率具有关键意义。Bike Sharing Demand - Hourly 数据集由 Fanaee-T 与 Gama 于 2014 年创建，源自 UCI 机器学习库，收录了美国华盛顿特区 Capital Bikeshare 系统 2011 年 1 月至 2012 年 12 月间共计 17,379 条逐小时租赁记录。该数据集聚焦于利用气象、时间等外部特征预测单车瞬时租赁数量，填补了细粒度计数数据回归领域的标准化基准空白。凭借其清晰的特征结构与泊松分布特性，该数据集已成为评估表格数据模型性能的重要标杆，在事件检测、时序建模与智能交通系统研究中具有广泛影响力。

当前挑战

该数据集面临的核心挑战来自三个方面。首先，目标变量‘cnt’为泊松分布的非负离散计数，需采用对数链接函数建模，且数据存在随时间波动的周期性模式，对模型捕捉时间依赖能力提出高要求。其次，特征中存在‘casual’与‘registered’两个与目标变量直接线性相关的泄露变量，必须严格剔除以防信息污染，这对数据预处理流程的规范性构成考验。最后，原始数据仅提供单一时间序列，缺乏官方划分的训练验证集，研究者若按随机拆分可能破坏时序因果结构，在实际应用中需自行构造时间感知的数据分割策略，以提升模型泛化能力。

常用场景

经典使用场景

Bike Sharing Demand 数据集（小时粒度）是时序计数回归任务的经典基准，广泛应用于预测共享单车系统每小时的租赁需求。研究者利用其17,379条记录、16个特征（含温度、湿度、风速等连续变量以及季节、天气、工作日等类别变量）与泊松分布特性的目标变量cnt，构建并评估各类回归模型。该数据集特别适合检验模型对非负整数计数数据的拟合能力，常被用于对比广义线性模型、梯度提升树、神经网络等不同架构在计数预测上的表现。

实际应用

在实际应用中，该数据集支撑了共享单车的动态调度与补货系统优化、城市交通流量监控以及智能出行平台的资源分配。运营商可基于历史租赁模式预测高峰时段与低需求区域的运力缺口，从而减少车辆闲置或供不应求的情况。此外，数据集也被用于开发面向智慧城市的数据驱动决策工具，如实时需求预警与租车点容量规划，帮助降低运营成本并提升用户体验。

衍生相关工作

该数据集衍生了多项经典工作，包括Fanaee-T & Gama（2014）提出的结合集成检测器与背景知识的事件标注框架，以及基于该数据集的泊松回归、贝叶斯推断、时间序列分解等方法论研究。后续工作还扩展出多架构表格模型基准测试（如tabular-data-modelling-pipeline），并催生了配套的预训练模型库（bike-sharing-tabular-models），促进了同系列数据集（如house-prices-tabular）的构建，形成了涵盖不同分布族的数据集体系。