### STDEN 模块与执行流（缩进层级表）

模块 | 类/函数 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | STDENModel.forward | inputs: (seq_len, batch_size, num_edges x input_dim) | outputs: (horizon, batch_size, num_edges x output_dim); fe: (nfe:int, time:float)
1.1 | Encoder_z0_RNN.forward | (seq_len, batch_size, num_edges x input_dim) | mean: (1, batch_size, num_nodes x latent_dim); std: (1, batch_size, num_nodes x latent_dim)
1.1.1 | utils.sample_standard_gaussian | mu: (n_traj, batch, num_nodes x latent_dim); sigma: 同形状 | z0: (n_traj, batch, num_nodes x latent_dim)
1.2 | DiffeqSolver.forward | first_point: (n_traj, batch, num_nodes x latent_dim); t: (horizon,) | sol_ys: (horizon, n_traj, batch, num_nodes x latent_dim); fe: (nfe:int, time:float)
1.2.1 | ODEFunc.forward | t_local: 标量/1D; y: (B, num_nodes x latent_dim) | dy/dt: (B, num_nodes x latent_dim)
1.3 | Decoder.forward | (horizon, n_traj, batch, num_nodes x latent_dim) | (horizon, batch, num_edges x output_dim)

---

### 细节模块 — Encoder_z0_RNN

步骤 | 操作 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | 重塑到边批 | (seq_len, batch, num_edges x input_dim) | (seq_len, batch, num_edges, input_dim)
2 | 合并边到批 | (seq_len, batch, num_edges, input_dim) | (seq_len, batch x num_edges, input_dim)
3 | GRU 序列编码 | 同上 | (seq_len, batch x num_edges, rnn_units)
4 | 取最后时间步 | 同上 | (batch x num_edges, rnn_units)
5 | 还原边维 | (batch x num_edges, rnn_units) | (batch, num_edges, rnn_units)
6 | 转置 + 边→节点映射 | (batch, num_edges, rnn_units) 经 inv_grad | (batch, num_nodes, rnn_units)
7 | 全连接映射到 2x latent | (batch, num_nodes, rnn_units) | (batch, num_nodes, 2 x latent_dim)
8 | 拆分均值/标准差 | 同上 | mean/std: (batch, num_nodes, latent_dim)
9 | 展平并加时间维 | (batch, num_nodes, latent_dim) | (1, batch, num_nodes x latent_dim)

备注：inv_grad 来源于 `utils.graph_grad(adj).T` 并做缩放；`hiddens_to_z0` 为两层 MLP + Tanh 后线性映射至 2 x latent_dim。

---

### 细节模块 — 采样（utils.sample_standard_gaussian）

步骤 | 操作 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | 重复到 n_traj | mean/std: (1, batch, N·Z) → 重复 | (n_traj, batch, N·Z)
2 | 重参数化采样 | mu, sigma | z0: (n_traj, batch, N·Z)

其中 N·Z = num_nodes x latent_dim。

---

### 细节模块 — DiffeqSolver（含 ODEFunc 调用）

步骤 | 操作 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | 合并样本维度 | first_point: (n_traj, batch, N·Z) | (n_traj x batch, N·Z)
2 | ODE 积分 | t: (horizon,), y0 | pred_y: (horizon, n_traj x batch, N·Z)
3 | 还原维度 | 同上 | (horizon, n_traj, batch, N·Z)
4 | 统计代价 | odefunc.nfe, elapsed_time | fe: (nfe:int, time:float)

ODEFunc 默认（filter_type="default"）为扩散过程：随机游走支持 + 多阶图卷积门控。

---

### 细节模块 — ODEFunc（默认扩散过程）

步骤 | 操作 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | 形状整理 | y: (B, N·Z) → (B, N, Z) | (B, N, Z)
2 | 多阶图卷积 _gconv | (B, N, Z) | (B, N, Z') 按需设置 Z'（通常保持 Z）
3 | 门控 θ | _gconv(..., output=latent_dim) → Sigmoid | θ: (B, N·Z)
4 | 生成场 ode_func_net | 堆叠 _gconv + 激活 | f(y): (B, N·Z)
5 | 右端梯度 | - θ ⊙ f(y) | dy/dt: (B, N·Z)

说明：
- 支撑矩阵来自 `utils.calculate_random_walk_matrix(adj)`（正向/反向）并构造稀疏 Chebyshev 递推的多阶通道。
- 若 `filter_type="unkP"`，则使用 `create_net` 的全连接网络在节点域逐点计算梯度。

---

### 细节模块 — Decoder

步骤 | 操作 | 输入 (shape) | 输出 (shape)
--- | --- | --- | ---
1 | 重塑到节点域 | (T, S, B, N·Z) → (T, S, B, N, Z) | (T, S, B, N, Z)
2 | 节点→边映射 | 乘以 graph_grad (N, E) | (T, S, B, Z, E)
3 | 轨迹与通道均值 | 对 S 和 Z 维做均值 | (T, B, E)
4 | 展平到输出维 | 考虑 output_dim（通常为 1） | (T, B, E x output_dim)

符号：T=horizon，S=n_traj_samples，N=num_nodes，E=num_edges，Z=latent_dim，B=batch。

---

### 备注与约定
- 内部采用边展平后的时序输入：`(seq_len, batch, num_edges x input_dim)`。
- 图算子：`utils.graph_grad(adj)` 形状 `(N, E)`；`utils.calculate_random_walk_matrix(adj)` 生成随机游走稀疏矩阵用于图卷积。
- 关键超参数（由配置传入）：`latent_dim`, `rnn_units`, `gcn_step`, `n_traj_samples`, `ode_method`, `horizon`, `input_dim`, `output_dim`。