130 lines
4.9 KiB
Markdown
Executable File
130 lines
4.9 KiB
Markdown
Executable File
# Traffic Wheel 交通轮
|
||
|
||
# 依赖环境
|
||
|
||
支持python 3.10以上版本。
|
||
|
||
使用conda创建基本环境
|
||
|
||
```bash
|
||
conda create -n trafficwheel python=3.10
|
||
```
|
||
|
||
pip下载安装包
|
||
|
||
```bash
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
或
|
||
|
||
```bash
|
||
pip install pyyaml tqdm statsmodels h5py kagglehub torch torchvision torchaudio torchdiffeq fastdtw notebook
|
||
```
|
||
|
||
|
||
|
||
# 快速开始（暂时弃用）
|
||
|
||
参考baseline.ipynb中的命令执行，或者使用下面的命令：（请确保当前目录为TrafficWheel）
|
||
|
||
```bash
|
||
python run.py --model {model_name} --dataset {dataset_name} --mode {train, test} --device {cuda:0}
|
||
```
|
||
|
||
- model_name: 目前支持：DSANET、STGCN、DCRNN、 GWN(GraphWaveNet)、STSGCN、AGCRN、STFGNN、STGODE、STGNCDE、DDGCRN、TWDGCN、STAWnet
|
||
- dataset_name目前支持：PEMSD3，PEMSD4、PEMSD7、PEMSD8
|
||
- mode：train为训练模型，test为测试模型。测试模型需要在pre-train文件中找到模型的pth存档。
|
||
- device: 支持'cpu'、'cuda:0'、‘cuda:1’ ... 取决于机器卡数
|
||
|
||
run.py会自动完成数据集下载、模型训练/评估工作。
|
||
|
||
:warning:现有的模型性能数据存放在[Result.xlsx](./Result.xlsx)，不必浪费资源再跑一遍。
|
||
|
||
|
||
|
||
# 测试模型
|
||
|
||
在实验结束后，模型的存档文件会被保存在 `experiments/dataset/训练时间 `文件夹下，共有4个文件。
|
||
|
||
- best_model.pth 保存了使验证集效果最好的checkpoint
|
||
- best_test_model.pth 保存了使测试集的效果最好的checkpoint
|
||
- DATASET.yaml 存放了训练模型时所使用的参数
|
||
- run.log 记录了训练日志。
|
||
|
||
可以创建`pre-train/{dataset_name}`文件夹，把整个文件夹的内容拷贝到`experiments/dataset/训练时间 `文件夹下的内容全部拷贝到`pre-train/{dataset_name}`里面。之后就可以在命令中调用` --model test`进行测试。
|
||
|
||
:warning:注意，请及时删除experiments文件夹中不必要的文件，要不整个文件夹会越堆越大。
|
||
|
||
|
||
|
||
# 更改配置
|
||
|
||
在config文件夹中，存放了每个模型的配置文件。每个数据集单独配置，使用yaml格式。
|
||
|
||
你需要找到对应模型的参数进行修改。
|
||
|
||
配置文件分为五个部分：[data, model, train, test, log]
|
||
|
||
- data一般不用改，存放了模型的节点数，预测窗口，历史窗口等信息
|
||
- model中的参数要结合代码和论文看，一般会给出推荐配置。
|
||
- train调整模型的训练细节，包括batch size，学习率，batch_norm等。
|
||
|
||
一般不建议对基线参数进行修改，按默认跑是最稳定的。
|
||
|
||
|
||
|
||
# 开发模型
|
||
|
||
首先你需要创建一个开发分支dev，并切换到开发分支
|
||
|
||
```bash
|
||
git switch -c dev
|
||
```
|
||
|
||
参考 [模型迁移教程](./transfer_guide.md) 迁移模型到TrafficWheel中。
|
||
|
||
提交更改。
|
||
|
||
```bash
|
||
git add .
|
||
git commit -m "Commit message"
|
||
```
|
||
|
||
推送到远程仓库（需要找我注册账号）
|
||
|
||
```bash
|
||
git push origin dev
|
||
```
|
||
|
||
模型开发完成后，需要合并到main分支，在[这里](https://github.zhang-heng.com/czzhangheng/TrafficWheel/pulls)提交pull request。
|
||
|
||
|
||
|
||
# 已知问题
|
||
|
||
目前，实测以下模型性能与原报告相比指标偏高：ARIMA、TCN、DCRNN
|
||
|
||
STGCN在载入图时会有未知warning
|
||
|
||
以下模型由于没有源码暂未实现：HA、VAR、FC-LSTM、GRU-ED
|
||
|
||
|
||
|
||
# 源代码及论文
|
||
|
||
| 论文 | 代码 |
|
||
| ------------------------------------------------------------ | ------------------------------------------------------------ |
|
||
| [HierAttnLSTM](https://arxiv.org/abs/2201.05760v4) | [代码](https://github.com/TeRyZh/Network-Level-Travel-Prediction-Hierarchical-Attention-LSTM) |
|
||
| [DSANET](https://dl.acm.org/doi/10.1145/3357384.3358132) | [代码](https://github.com/bighuang624/DSANet) |
|
||
| [STGCN](https://arxiv.org/abs/1709.04875) | [代码](https://github.com/hazdzz/STGCN) |
|
||
| [DCRNN](https://arxiv.org/abs/1707.01926) | [代码](https://github.com/chnsh/DCRNN_PyTorch) |
|
||
| [GraphWaveNet](https://arxiv.org/pdf/1906.00121.pdf) | [代码](https://github.com/SGT-LIM/GraphWavenet) |
|
||
| [STSGCN](https://aaai.org/ojs/index.php/AAAI/article/view/5438/5294) | [代码](https://github.com/SmallNana/STSGCN_Pytorch) |
|
||
| [AGCRN](https://arxiv.org/pdf/2007.02842) | [代码](https://github.com/LeiBAI/AGCRN) |
|
||
| [STFGNN](https://arxiv.org/abs/2012.09641) | [代码](https://github.com/lwm412/STFGNN-Pytorch) |
|
||
| [STGODE](https://arxiv.org/abs/2106.12931) | [代码](https://github.com/square-coder/STGODE) |
|
||
| [STG-NCDE](https://arxiv.org/abs/2112.03558) | [代码](https://github.com/jeongwhanchoi/STG-NCDE) |
|
||
| [DDGCRN](https://www.sciencedirect.com/science/article/abs/pii/S0031320323003710) | [代码](https://github.com/wengwenchao123/DDGCRN) |
|
||
|