简介本资源是一套面向交通流预测研究的Python深度学习项目实践包聚焦时间图卷积网络T-GCN及其多种前沿变体A3T-GCN、AST-GCN、KST-GCN适用于人工智能、交通工程、计算机科学等专业学生、教师及初/中级算法工程师开展课程设计、毕设开发或科研复现。资源共164个文件含42个核心Python脚本模型构建与训练逻辑、42个CSV交通数据集如sz_speed、los_speed等真实城市路网速度序列、18张可视化结果图含损失曲线与预测对比、9份Markdown文档含README与方法说明及模型权重文件.h5/.ckpt整体压缩包43.12MB结构清晰、模块解耦。已有71人下载学习所有代码均经实测可运行配套基线模型HA、ARIMA、SVR、GCN、GRU便于横向性能对比支持远程答疑与基础调试指导亦可作为知识驱动时空建模的入门级完整工程范例。1. 这不是“又一个Python项目”它是一张会自己看路、记路、猜下个路口车多不多的“城市交通地图”你有没有过这种体验早上出门前刷手机查路况APP说“前方拥堵预计延误12分钟”结果你绕开主干道刚拐进小路导航又弹出“检测到实时车流变化重新规划路线”——那背后很可能就跑着和今天这份资源一模一样的模型。它不靠人工经验拍脑袋也不只盯着摄像头数车而是把整座城市的道路当成一张“活的地图”每条路是节点路口是连接车流是流动的数据时间是刻度用图卷积网络GCN理解空间关系再叠上时间序列模型比如GRU记住早晚高峰的节奏最后合起来预测未来15分钟、30分钟、1小时哪个路口要堵、哪段高架该限流、公交调度该往哪加车。这份《通过图卷积网络进行城市交通流预测的研究》不是论文PDF而是一套“能直接点开、改两行参数、跑出预测曲线”的完整实战包4种主流图神经网络变体T-GCN、A3T-GCN、AST-GCN、KST-GCN全都有源码5种经典基线方法历史平均、ARIMA、SVR、GCN、GRU也打包好了连训练过程中的损失值batch_loss.csv、预测误差batch_rmse.csv、真实车速数据sz_speed.csv、los_speed.csv都给你备齐了。它适合谁不是非要发顶会的博士而是第一次听说“图卷积”但想搞懂“它到底怎么吃进数据、吐出预测”的本科生是课程设计卡在“模型跑不通”、毕设开题怕被问“你这预测准不准”的同学也是企业里刚接手智能交通模块、需要快速复现标杆方案的工程师。别怕“图神经网络”四个字听着玄——我们从第一个文件打开开始一行命令、一个数据表、一张预测图带你亲手把“城市脉搏”摸清楚。2. 先搞懂三件事为什么非得用“图”来预测交通为什么必须带“时间”为什么这四种模型名字长得像双胞胎2.1 交通不是一串数字而是一张“会呼吸的网”图结构到底在表达什么想象你开车从A地到B地。传统模型比如ARIMA会把A地过去一小时的车速列成一串数字[45, 42, 38, 40, 47…]然后拼命拟合这条线的起伏。但它完全不知道A地旁边那个匝道口C点如果突然事故封路A地车速哪怕没变B地马上就要排队——因为C点是A和B之间的“关键邻居”。图卷积网络GCN就是为解决这个而生的它把城市道路抽象成一张图Graph每个监测点比如地磁传感器、浮动车GPS点是一个节点Node两条路之间有物理连接比如能直接左转、直行互通就画一条边Edge边的粗细可以代表距离、通行能力或历史车流相关性。这样当模型处理A点数据时它会自动“看向”C点、D点这些邻居用数学方式聚合它们的信息——就像人看路况不会只盯自己眼前那一小段而是扫一眼周边几个路口的动静。sz_assist_kg.csv文件里存的就是这张“辅助知识图谱”它可能记录了哪些监测点属于同一条快速路、哪些点之间有强时空关联相当于给模型配了一本《城市路网关系手册》。2.2 光有“空间关系”不够车流是“一秒一变”的活物时间维度怎么嵌进去如果只建一张静态路网图模型最多学会“早高峰A点永远比B点慢”但无法回答“现在A点车速突然降到20km/h5分钟后B点会堵成什么样”——因为车流传播有延迟、有惯性、有突发性。所以必须引入时间维度。T-GCNTime-Graph Convolutional Network的做法很直观它把“图卷积”和“时间序列模型”像三明治一样叠起来。先用GCN层处理当前时刻所有节点的空间关系A点看C、D点得到一个“空间增强特征”再把这个特征喂给GRU门控循环单元让GRU记住过去10分钟、20分钟、30分钟的特征变化趋势从而推断下一时刻。你可以把它理解成GCN是“地理老师”教模型认路网结构GRU是“时间管家”帮模型记清车流随时间怎么走、怎么停、怎么爆发。batch_loss.csv和batch_rmse.csv里记录的就是这个组合模型在训练过程中每一“批”batch数据上算出来的损失值和均方根误差——数值越小说明模型对“空间时间”的联合建模越准。2.3 四种模型不是随便起名名字里的字母就是它们解决的具体痛点T-GCN最基础款Time GCN。解决“纯时空联合建模”的刚需代码最干净适合新手第一眼建立认知。A3T-GCN多了三个“A”——Attention注意力、Adaptive自适应、Arbitrary任意拓扑。它不满足于用固定权重聚合邻居而是让模型自己学“此刻我该更相信C点还是D点的数据”Attention“这张路网图的连接关系是靠专家经验定的还是让模型自己从数据里发现”Adaptive“如果某天临时修路图结构变了模型能不能不重训就适应”Arbitrary。A3T-GCN目录下的代码你会看到attention_layer.py和adaptive_graph.py这类文件。AST-GCNAST Attribute属性、Spatial空间、Temporal时间。它意识到光有车速不够每个监测点还有“属性”——比如是主干道还是支路、附近有没有地铁站、白天/夜间光照条件。AST-GCN 把这些属性作为额外输入让模型知道“同样车速主干道堵和支路堵含义完全不同”。sz_speed.csv是车速主数据而属性信息可能藏在data/attributes/子目录或代码里的attribute_encoder模块中。KST-GCNK Knowledge知识。它把交通领域的先验知识比如“早高峰车流从居住区涌向商务区”、“雨天高速车速普遍下降15%”编码成规则或向量注入模型。KST-GCN目录里常有knowledge_injector.py或rule_encoder.pysz_assist_kg.csv就是它用到的知识图谱之一。提示别被名字吓住。新手入门强烈建议从T-GCN开始跑通全流程。它的代码结构最清晰model.py定义网络、train.py控制训练、test.py跑预测、data_loader.py负责读sz_speed.csv。等你看懂这一套再回头对比A3T-GCN里多出的注意力计算、AST-GCN里多出的属性拼接就会发现所谓“高级模型”不过是基础模块的合理组合与增强。3. 第一步下载后别急着点开.py文件先做这三件“不起眼但救命”的事3.1 看懂文件夹结构你的“作战地图”长这样解压后你会看到几个核心目录和一堆CSV文件。这不是杂乱无章的堆砌而是精心设计的“实验工作台”├── T-GCN/ # T-GCN模型主目录 │ ├── model.py # 核心网络定义GCN层 GRU层怎么搭 │ ├── train.py # 训练脚本加载sz_speed.csv划分训练/验证集启动训练 │ ├── test.py # 测试脚本加载训练好的模型读入新数据输出预测结果 │ └── data_loader.py # 数据加载器负责读csv、归一化、构造图结构用sz_assist_kg.csv ├── A3T-GCN/ # 同理但model.py里多了attention_layer ├── AST-GCN/ # 同理但data_loader.py会额外加载属性数据 ├── KST-GCN/ # 同理但train.py里会调用knowledge_injector ├── baselines/ # 5种基线方法HA历史平均、ARIMA、SVR、GCN、GRU ├── data/ # 所有原始数据存放处 │ ├── sz_speed.csv # 深圳某区域15分钟粒度车速主力训练数据 │ ├── los_speed.csv # 洛杉矶某区域车速用于跨城市泛化测试 │ └── sz_assist_kg.csv # 深圳路网辅助知识图谱节点关系、权重 ├── checkpoint/ # 训练好的模型权重文件.pth格式可直接加载预测 ├── batch_loss.csv # 训练过程每批次损失值纵轴loss横轴batch_id └── batch_rmse.csv # 训练过程每批次RMSE误差纵轴误差横轴batch_id注意sz_speed.csv出现了三次别慌。这是作者为不同实验准备的副本可能一份用于训练一份用于验证一份用于最终测试避免数据泄露。新手第一次跑只用关注data/sz_speed.csv这个主文件即可。3.2 环境配置不是装越多包越好而是装“刚好够用”的那一套这份代码基于 Python 3.7 和 PyTorch 1.7较新版本如2.0通常也兼容不需要CUDA环境也能跑CPU模式但速度会慢些。新手最容易翻车的地方不是代码写错而是环境没配对。请严格按以下顺序操作创建独立虚拟环境强烈推荐避免污染你电脑里已有的Python环境。打开终端Mac/Linux或命令提示符Windows执行python -m venv tgcn_env source tgcn_env/bin/activate # Mac/Linux # tgcn_env\Scripts\activate # Windows提示激活后命令行开头会出现(tgcn_env)表示你已在纯净环境中。安装核心依赖只装必需的进入项目根目录解压后的文件夹运行pip install torch1.9.0 # 指定版本避免PyTorch新版API变动导致报错 pip install numpy pandas scikit-learn matplotlib # 数据处理与绘图 pip install networkx # 构建和操作图结构用于解析sz_assist_kg.csv注意不要pip install -r requirements.txt如果项目里没有这个文件就别找。很多新手盲目安装一堆包结果版本冲突报错ModuleNotFoundError: No module named torch_geometric——其实这个项目根本不用PyGnetworkx就够了。验证环境是否OK在Python交互式环境中逐行输入并确认无报错import torch print(torch.__version__) # 应输出 1.9.0 import numpy as np import pandas as pd import networkx as nx print(All imports successful!) # 如果看到这行环境就稳了3.3 数据预处理别跳过这步否则模型会“学废”sz_speed.csv是原始数据但模型不能直接吃。它需要被“切片、归一化、构图”。这步由data_loader.py自动完成但你需要确保它能正确读取。打开data_loader.py在T-GCN/目录下找到类似这样的代码段def load_data(data_path, graph_path, seq_len12, pre_len3): # data_path: 通常是 data/sz_speed.csv # graph_path: 通常是 data/sz_assist_kg.csv # seq_len: 用过去12个时间点3小时预测 # pre_len: 预测未来3个时间点45分钟 ...新手必查三点data_path是否指向你电脑里真实的sz_speed.csv路径比如你解压到D:\tgcn_project\那路径应是D:/tgcn_project/data/sz_speed.csvWindows用正斜杠或双反斜杠。graph_path是否指向sz_assist_kg.csv这个文件定义了图的边如果路径错模型会报KeyError: edge_index。seq_len和pre_len是超参数。新手第一次跑保持默认12, 3即可别手痒改成 (24, 6)——数据长度不够会直接报IndexError。提示如果sz_speed.csv打开是乱码显示为“锘”等说明它是UTF-8 BOM编码。用记事本另存为“UTF-8无BOM”格式或用VS Code打开右下角点击编码如“UTF-8 with BOM”选择“Save with Encoding” - “UTF-8”。4. 避坑指南新手跑通第一个例子90%的失败都发生在这五个地方4.1 现象运行python train.py报错FileNotFoundError: [Errno 2] No such file or directory: data/sz_speed.csv原因train.py里写的路径是相对路径但你没在T-GCN/目录下运行命令或者data/文件夹没放在项目根目录。解决确保终端当前路径是T-GCN/目录用cd T-GCN切进去。确保T-GCN/的上一级目录即项目根目录里有data/文件夹且里面包含sz_speed.csv。如果实在不想挪文件打开train.py找到data_path data/sz_speed.csv这行改成你的绝对路径例如data_path /Users/yourname/tgcn_project/data/sz_speed.csv。4.2 现象运行python train.py卡住不动或报错RuntimeError: Expected all tensors to be on the same device原因代码默认尝试用GPUcuda训练但你的电脑没有NVIDIA显卡或PyTorch没装CUDA版本。解决打开train.py找到device torch.device(cuda if torch.cuda.is_available() else cpu)这行。强制改成device torch.device(cpu)。再运行会看到控制台打印Using device: cpu然后开始正常训练只是慢一点。4.3 现象训练几轮后batch_loss.csv里Loss值巨大如1e6或batch_rmse.csv里RMSE超过100车速单位是km/h误差超100毫无意义原因数据没归一化sz_speed.csv里车速可能是0-120km/h模型直接学梯度爆炸。解决data_loader.py里一定有归一化代码形如scaler StandardScaler()或MinMaxScaler()。检查scaler.fit_transform(data)是否被正确调用。如果找不到手动加在load_data函数开头加入from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() data scaler.fit_transform(data) # data是读入的numpy数组归一化后车速会缩放到 [0,1] 区间Loss值通常在0.01-0.1之间才健康。4.4 现象test.py运行后预测结果全是0或画出的曲线是一条直线原因test.py加载的模型权重文件.pth和train.py训练的模型结构不匹配。常见于你改了model.py的网络层数但没删掉旧的checkpoint/文件test.py还在加载旧权重。解决最彻底删除整个checkpoint/文件夹重新运行train.py训练一次哪怕只训10个epoch生成新的权重。快速验证打开test.py找到model.load_state_dict(torch.load(...))这行确认加载的.pth文件名和checkpoint/下最新的文件名一致。终极检查在test.py加载模型后加一行print(model)看看输出的网络结构是否和model.py里定义的一致。4.5 现象sz_assist_kg.csv读取报错pandas.errors.ParserError: Error tokenizing data原因CSV文件分隔符不是逗号,可能是分号;或制表符\t或者文件有损坏。解决用Excel或VS Code打开sz_assist_kg.csv看第一行是不是node1,node2,weight这样的逗号分隔。如果是node1;node2;weight则修改data_loader.py中读取代码# 原来可能是 kg_df pd.read_csv(graph_path) # 改成 kg_df pd.read_csv(graph_path, sep;) # 或 sep\t如果文件打不开说明损坏。重新下载资源包或用文本编辑器打开确认首行末尾没有隐藏字符。5. 动手跑通第一个例子从零开始15分钟看到预测曲线5.1 我们的目标用T-GCN基于深圳车速数据预测未来45分钟3个15分钟间隔的车速这个目标足够小但包含了完整流程数据加载 → 模型构建 → 训练 → 预测 → 可视化。它不追求精度破纪录而是让你亲眼看到“图神经网络如何工作”。全程在T-GCN/目录下操作。5.2 步骤一准备数据与配置2分钟确认T-GCN/目录下有data_loader.py,model.py,train.py,test.py。确认项目根目录T-GCN/的上一级有data/文件夹且data/里有sz_speed.csv和sz_assist_kg.csv。打开train.py检查并修改以下三处新手必做# 1. 确保数据路径正确假设你解压到 /home/user/tgcn/ data_path /home/user/tgcn/data/sz_speed.csv # Linux/Mac # data_path D:\\tgcn\\data\\sz_speed.csv # Windows # 2. 强制使用CPU避免GPU报错 device torch.device(cpu) # 3. 减少训练轮数快速出结果新手先设为10 epochs 10打开data_loader.py确认seq_len12, pre_len3是默认值即用3小时数据预测45分钟。5.3 步骤二运行训练5分钟看着loss下降就是成功在终端中确保你在T-GCN/目录下然后执行python train.py你会看到类似输出Epoch 1/10, Batch 100/200, Loss: 0.0421 Epoch 1/10, Batch 200/200, Loss: 0.0387 ... Epoch 10/10, Batch 200/200, Loss: 0.0215 Training finished! Model saved to checkpoint/T-GCN_model_10.pth同时batch_loss.csv和batch_rmse.csv文件会被实时写入你可以用Excel打开看到Loss曲线平滑下降。只要没报错且Loss从0.04降到0.02左右这一步就算完美成功5.4 步骤三运行预测并画图3分钟见证奇迹训练完成后checkpoint/文件夹下会生成T-GCN_model_10.pth。现在运行预测python test.pytest.py默认会加载刚训练好的模型从sz_speed.csv里取最后一段比如最后12个时间点作为输入输出未来3个时间点的预测车速shape: [1, 3, num_nodes]自动生成results/T-GCN_predictions.png。打开这张图你会看到三条线蓝色实线真实车速Ground Truth橙色虚线模型预测值Prediction绿色阴影预测误差范围可选。提示如果图是空的或报错No module named matplotlib说明你漏装了matplotlib。回到环境执行pip install matplotlib再重跑test.py。5.5 步骤四解读你的第一张预测图5分钟建立直觉不要只看“像不像”。拿出你的手机打开任意地图APP找一个你熟悉的路口观察它早高峰的车速变化比如7:30-8:30。再对比你图上的蓝线真实和橙线预测如果两条线在大部分时间点都挨得很近误差5km/h恭喜你已经掌握了时空图神经网络的核心能力它学会了“空间邻居影响时间惯性”的规律。如果橙线整体偏低预测车速普遍比真实慢说明模型可能欠拟合训练轮数太少下次把epochs改成50再试。如果橙线波动剧烈像心电图而蓝线很平缓说明模型过拟合记住了训练数据噪声可以尝试在model.py里给GRU层加dropout0.2。这就是你和图神经网络的第一次握手。它不神秘就是一个会“看邻居、记时间、做加法”的数学程序。你刚刚亲手喂给它深圳的路网和车流它就还给你一条预测曲线——这正是智能交通系统每天在后台做的真实工作。6. 接下来学什么一条不绕弯、不踩坑的进阶路径6.1 从“跑通”到“搞懂”三份必须精读的代码文件你现在能跑通T-GCN但可能还不清楚“GCN层到底做了什么数学运算”。别急着啃论文先沉到代码里按这个顺序精读文件重点看什么为什么优先看它T-GCN/data_loader.pybuild_graph()函数如何用sz_assist_kg.csv构造edge_indexgenerate_dataset()函数如何把一维车速序列切成[seq_len, num_nodes]的三维张量这是模型的“食物加工厂”。90%的数据问题维度错、图没建好都出在这里。读懂它你就掌握了“数据如何变成模型能吃的形状”。T-GCN/model.pyclass TGCN(nn.Module)self.gcnGCN层和self.gruGRU层的定义forward()函数里x self.gcn(x, edge_index)和x, _ self.gru(x)的调用顺序这是模型的“心脏”。看懂GCN如何用edge_index聚合邻居GRU如何处理时间维度你就抓住了T-GCN的全部灵魂。T-GCN/train.pydef train_model()loss criterion(y_pred, y_true)的计算optimizer.zero_grad()/loss.backward()/optimizer.step()这三行“训练铁三角”这是模型的“成长教练”。理解损失函数怎么衡量好坏、反向传播怎么更新权重你才能真正调试模型而不是靠玄学调参。我第一次学的时候就在model.py的forward()函数里每一行后面都加了print(x.shape)看着张量维度怎么从[12, 207]12个时间点207个监测点经过GCN变成[12, 64]空间特征压缩再经过GRU变成[3, 64]预测3个时间点最后Linear层输出[3, 207]。这种“跟着数据流走一遍”的笨办法比读十页公式管用。6.2 从“单模型”到“多模型对比”动手改一个参数理解模型差异现在你熟悉了T-GCN下一步不是立刻跳去A3T-GCN而是用同一份数据横向对比所有模型。这样做你能直观感受“注意力”、“属性”、“知识”带来的提升统一数据与超参复制T-GCN/train.py分别粘贴到A3T-GCN/、AST-GCN/、KST-GCN/目录下并修改其中的data_path和device。确保所有模型用完全相同的数据、相同的seq_len12, pre_len3、相同的训练轮数epochs10。跑通所有模型在各自目录下运行python train.py等待生成各自的checkpoint/xxx_model_10.pth。统一测试脚本修改T-GCN/test.py让它能加载不同模型。在test.py开头加import sys model_name sys.argv[1] # 从命令行传入模型名 if model_name T-GCN: model TGCN(num_nodes207, input_dim1, rnn_units64, output_dim1) model.load_state_dict(torch.load(checkpoint/T-GCN_model_10.pth)) elif model_name A3T-GCN: model A3TGCN(num_nodes207, input_dim1, rnn_units64, output_dim1) model.load_state_dict(torch.load(checkpoint/A3T-GCN_model_10.pth)) # ... 其他模型同理然后运行python test.py T-GCN、python test.py A3T-GCN。对比结果打开所有生成的results/*.png把它们并排。你会发现T-GCN预测线可能有点滞后跟不上突变A3T-GCN的线更“跟脚”注意力捕捉到了突变信号AST-GCN在早晚高峰的预测更稳属性信息帮它区分了场景。这种肉眼可见的差异比任何论文里的表格都更有说服力。6.3 从“复现”到“改造”一个安全、有效的第一次动手改很多新手卡在“我想改但怕改崩”。这里给你一个零风险、效果立竿见影的改造方案给预测结果加一个“可信度分数”。目前test.py只输出预测值。但实际应用中模型应该说“我预测B点45分钟后车速是35km/h但这个预测只有60%把握因为C点刚发生事故我的知识图谱里没覆盖这种极端情况。” 实现它只需三步在model.py的forward()函数末尾加一个简单的置信度计算# 假设 y_pred 是模型输出 [3, 207] # 我们用预测值的标准差作为“不确定性”指标标准差越大越不确定 uncertainty torch.std(y_pred, dim1) # shape: [3] confidence 1.0 / (1.0 uncertainty) # 归一化到 [0,1] return y_pred, confidence修改test.py接收并打印这个confidencey_pred, conf model(x, edge_index) print(fPrediction for next 3 steps: {y_pred.squeeze().tolist()}) print(fConfidence scores: {conf.tolist()})运行python test.py你会看到Prediction for next 3 steps: [34.2, 32.8, 31.5] Confidence scores: [0.82, 0.75, 0.68]这说明模型对自己“越往后”的预测越没把握——这完全符合直觉你没动核心模型只是加了一个轻量级的后处理却让模型从“黑匣子”变成了“会说话的助手”。从那以后我每次做模型改进都强制走一遍“最小可行改动”先加日志、再加可视化、最后加功能。绝不一上来就重构整个model.py。因为真正的工程能力不在于写出多炫的代码而在于让每一次改动都可观察、可回滚、可解释。希望帮到你。本文还有配套的精品资源点击获取
