纽约出租车费用预测：融合高峰时段分析与通胀数据的机器学习实践

本项目针对纽约出租车费用不确定性问题，采用随机森林模型融合高峰时段分析与2016-2025年通胀数据，实现均方根误差（RMSE）仅1.79美元的精准预测，为出行者、出租车行业及城市规划提供可靠参考。

纽约作为国际化大都市，出租车是重要出行工具，但高峰拥堵、深夜附加费及长期通胀导致费用难以预测，给乘客带来困扰。本项目旨在通过机器学习技术解决这一现实需求。

1. 随机森林算法：选择该算法因其处理高维数据能力强，可降低过拟合，具备特征重要性分析、非线性建模等优势；2. 高峰时段模块：识别出行时段类型，估算拥堵系数并转化为特征；3. 通胀追踪机制：纳入2016-2025年基础费率、里程单价、附加费变化及CPI通胀系数，确保预测反映当前价格水平。

系统提供直观交互界面，预测只需三步：1.输入起止地点（支持地址文本、地图选点）；2.选择出行时间（自动判断高峰时段）；3.获取预测结果及费用构成明细（基础费、里程费、附加费等）。

项目核心指标RMSE为1.79美元，在纽约出租车平均15-30美元的行程费用中，精度达90%以上。此精度可帮助乘客准确预算、游客避免不合理收费、司机/平台优化定价策略。

• 个人出行：比较出行方式成本、选择最优时间、制定预算；- 商业决策：优化动态定价、减少费用争议、分析供需；- 城市规划：识别拥堵热点、评估公交薄弱环节、支撑行业政策。

项目后续可优化方向：1.集成实时交通数据提升动态预测；2.加入天气因素建模；3.扩展多模式出行比较；4.开发移动端应用方便随时查询。