在/libcity/model/trajectory_loc_prediction/，我们复制一份Deepmove.py，得到DM_tst.py，我们不改变其中的机制，只动class name 然后修改相同目录下的__init__.py： 修改task_config文件： 在config/model/traj_loc_pred/ 添加 DM_tst.json文件，然后就ok了

1 __init__ 2 encode  得到的内容如下： data_feature的内容： 一共有多少个location+1【包括pad的一个】最长的时间间隔（秒）最长的距离间隔（千米）多少个useer idpadding 的locationidpad_item的内容 location id 用什么pad时间间隔用什么pad距离间隔用什么padencoded_data cont

1 get_dataset 2 list_dataset.py/ListDataset from torch.utils.data import Datasetclass ListDataset(Dataset):def __init__(self, data):"""data: 必须是一个 list"""self.data = datadef __getitem__(self, inde

1 构造函数 1.1  _parse_external_config 解析外部传入的参数 1.2  _parse_config_file 解析用户提供的config文件的参数 1.3 _load_default_config 从默认配置中加载参数 libcity笔记：参数设置与参数优先级-CSDN博客 1.4 __init_device 初始化设备（GPU or CPU)

1 get_logger 2 set_random_seed def set_random_seed(seed):"""重置随机数种子Args:seed(int): 种子数"""random.seed(seed)#设置 Python 内置的随机数生成器的种子np.random.seed(seed)#设置 NumPy 的随机数生成器的种torch.manual_seed(seed)#设置 PyT

1 构造函数 2  _build_optimizer 根据配置中指定的优化器类型创建并返回一个适合用于模型训练的优化器对象 3 _build_scheduler 构建一个学习率调度器（scheduler）   4 train   5 run 6 _valid_epoch 7  load_model & save_model 保存/加载模型的状态字典 (self

创建的新模型应该继承AbstractModel或AbstractTrafficStateModel 交通状态预测任务——>继承 AbstractTrafficStateModel类轨迹位置预测任务——>继承AbstractModel类 1 AbstractTrafficStateModel 2 RNN 2.1 构造函数 2.2 predict   2.3 calculate

数据下载地址：Standard Dataset in LibCity - Google 云端硬盘 1 交通速度数据 数据名称地点时间出处 描述 METR_LA 美国洛杉矶  Mar. 1, 2012 ~ Jun. 27, 2012 GitHub - liyaguang/DCRNN: Implementation of Diffusion Convolutional Recurrent N

1 支持的模型 1.1 traffic_state_pred HA历史平均值，将历史流量建模为季节性过程，然后使用前几个季节的加权平均值作为预测值。VAR向量自回归SVR支持向量回归ARIMAAutoEncoderSeq2Seq采用基于门控循环单元的编码器-解码器框架，进行多步预测FNN具有两个隐藏层和 L2 正则化的前馈神经网络RNN 1.1.1 交通流量预测 ACFM 注意力人群流量机 A

1 参数优先级 高优先级的参数会覆盖低优先级的同名参数 Libcity中的优先级顺序维： 命令行参数（命令行python run_model.py时导入的） > 用户定义配置文件（命令行python run_model.py时由config_file导入的） > 模型所在模块默认参数 > 数据模块、执行模块、测评模块的默认参数 1.1 举例 以GRU模型为例 1.1.1