divvy-bike : Prédiction d'usage des vélos Divvy

Un modèle qui prédit, heure par heure, combien de vélos Divvy seront empruntés à Chicago.

terminé · 2026 · projet d'école, M1 Data & IA, Ynov Paris

$ cat probleme.md

Divvy, le réseau de vélos en libre-service de Chicago, compte plus de 700 stations. Pour redistribuer les vélos et planifier la maintenance, il faut savoir à l'avance quand la demande va monter.

$ cat solution.md

J'ai agrégé 11,3 millions de trajets en 8 782 heures, puis ajouté la météo (Meteostat) et les jours fériés. Au total 15 variables, dont l'heure encodée en sinus et cosinus pour que 23 h reste proche de 0 h.

Trois modèles comparés : régression linéaire, Random Forest et XGBoost. Entraîné sur 2024 et testé sur 2025, le Random Forest obtient un R² de 0,90 et une erreur moyenne de 122 trajets par heure. Je l'ai gardé plutôt que XGBoost (0,896) parce qu'il généralise mieux.

Le résultat se consulte dans un tableau de bord Streamlit, et l'ensemble se lance avec Docker Compose.

$ open demo

Courbes des trajets réels et prédits, heure par heure, sur la première semaine de 2025 — Réel et prédit, première semaine de 2025.

Carte de chaleur des trajets par jour de la semaine et par heure — Les pics de 8 h et 17 h en semaine.

Nombre de trajets en fonction de la température — L'effet de la température.

$ cat stack.txt

Python
Pandas, NumPy
Scikit-learn, XGBoost
Matplotlib, Seaborn, Plotly
Streamlit
Docker, Jupyter Lab

$ cat suite.md

Projet rendu en janvier 2026, avec un rapport LaTeX et une soutenance. Le tableau de bord reste en ligne.

$ cd ..

~/projets