快速入门

下载一个数据集

LibCity中使用的数据集以一种名为原子文件的统一数据存储格式存储。

为了直接在LibCity中使用原始数据集，我们已经将所有这些数据集转换成了原子文件的格式，并提供了转换工具。

您可以直接下载我们处理好的数据集。数据集链接是百度网盘（提取码：1231）或Google Drive。

在运行LibCity的模型前，请确保您至少下载了一个数据集，并把它放在了Bigscity-LibCity/raw_data/dataset_name/*目录下。

例如，如果您下载了METR_LA数据集，目录结构如下所示：

  • Bigscity-LibCity/raw_data/METR_LA/METR_LA.geo

  • Bigscity-LibCity/raw_data/METR_LA/METR_LA.rel

  • Bigscity-LibCity/raw_data/METR_LA/METR_LA.dyna

  • Bigscity-LibCity/raw_data/METR_LA/config.json

运行模型流水线

用于训练和评测一个模型的脚本run_model.py位于项目根目录中，它提供了一系列命令行参数，使用户可以调整运行参数配置。

当运行run_model.py时，您必须声明以下三个参数，分别是task、dataset和model。例如：

python run_model.py --task traffic_state_pred --model GRU --dataset METR_LA

这个脚本会在默认参数配置下，在METR_LA数据集上运行GRU模型，执行交通状态预测任务。

目前我们已经在 文档 发布了数据集、模型和任务之间的对应关系表格供用户参考。

此外，这个脚本还支持输入下面的这些命令行参数，用于调整流水线的参数设置。

支持的参数有：

  • task：要执行的任务名，包括traffic_state_pred，traj_loc_pred，eta，map_matching，road_representation。默认为traffic_state_pred。

  • model：要执行的模型名。默认为GRU。（支持的模型）

  • dataset：要执行的数据集。默认为METR_LA。（支持的数据集）

  • config_file：用户自定义的配置文件名。默认为None。（了解更多）

  • saved_model：是否保存训练好的模型。默认为True。

  • train：如果模型已经预训练过了，是否要重新训练模型。默认为True。

  • batch_size：训练集和验证集的批次大小。

  • train_rate：训练集在整个数据集中所占的比例。（划分的顺序是训练集、验证集、测试集）。

  • eval_rate：验证集在整个数据集中所占的比例。

  • learning_rate：学习率。默认值因模型而异。

  • max_epoch：最大的训练轮数。默认值因模型而异。

  • gpu：是否使用GPU。默认为True。

  • gpu_id：使用的GPU的ID。默认为0。

TensorBoard Visualization

在模型训练过程中，LibCity 会记录每个 epoch 的损失，并支持 tensorboard 可视化。

模型运行一次后，可以使用以下命令进行可视化：

tensorboard --logdir 'libcity/cache'

TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.4.1 at http://localhost:6006/ (Press CTRL+C to quit)

在浏览器中访问这个地址（http://localhost:6006/）可以看到可视化的结果。

../_images/tensorboard.png