Upload folder using huggingface_hub

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+final_merged_data.csv filter=lfs diff=lfs merge=lfs -text

bike_availability_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:3f35db45557165fd04a9330de819546428212d56558685173282fc1b266a01be
+size 874386885

final_merged_data.csv

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b58ea5664de05d3e0959d60b5c1f828dfff1b859fe27bd09504c8cf96fbce1f1
+size 105941947

model_features.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:112d350224a478b33bec0fe3a69bb4b3606b0dc983fa24285d5feb2c67a1cbaa
+size 140

readme.md

@@ -0,0 +1,58 @@
+## `.pkl` 文件是什么？
+
+PKL = Pickle，是 Python 的一种序列化格式。
+
+简单理解：就是把一个 Python 对象（比如训练好的模型）**"冷冻"保存**到硬盘上，
+需要的时候再**"解冻"**加载回来，完全不需要重新训练。
+
+---
+
+## 两个文件分别存了什么？
+
+### `bike_availability_model.pkl`
+- 存储了训练好的 Random Forest 模型
+- 包含所有学习到的决策树、权重等信息
+- 加载后可以直接调用 `.predict()` 进行预测
+
+### `model_features.pkl`
+- 存储了特征列表：`['station_id', 'capacity', 'lat', 'lon', 'hour', 'day', 'day_of_week', 'is_weekend', 'avg_temperature', 'avg_humidity', 'avg_pressure']`
+- 确保预测时特征的**顺序和名称**与训练时完全一致
+- 顺序错了预测结果就会出错
+
+---
+
+## 如何在 Flask 中使用？
+```python
+import pickle
+import pandas as pd
+
+# 1. 加载模型和特征列表（Flask启动时执行一次）
+with open('bike_availability_model.pkl', 'rb') as f:
+    model = pickle.load(f)
+
+with open('model_features.pkl', 'rb') as f:
+    features = pickle.load(f)
+
+# 2. 预测时使用
+def predict_bikes(station_id, capacity, lat, lon,
+                  hour, day, day_of_week, is_weekend,
+                  avg_temperature, avg_humidity, avg_pressure):
+
+    # 构造输入数据，顺序必须与features一致
+    input_data = pd.DataFrame([{
+        'station_id': station_id,
+        'capacity': capacity,
+        'lat': lat,
+        'lon': lon,
+        'hour': hour,
+        'day': day,
+        'day_of_week': day_of_week,
+        'is_weekend': is_weekend,
+        'avg_temperature': avg_temperature,
+        'avg_humidity': avg_humidity,
+        'avg_pressure': avg_pressure
+    }])[features]  # 用features确保列顺序正确
+
+    prediction = model.predict(input_data)
+    return int(round(prediction[0]))
+```