真实值当中也有很多 0。Loss 确实很小，我训练时的结果也只是从 50 多下降到 10多。
这篇论文没有给出开源代码。也没能找到数据集。在应用到新数据集上时，应该要进行调参
模型的实现就在 /libcity/model/traffic_od_prediction/GEML.py 当中，使用喜闻乐见的 pytorch 框架。
(注意模型当中有一个 pSkip-LSTM 层，这个层据作者所说，是跳过 p 步的 LSTM，这个实现论文里没有详细阐述，是我自己理解的。)
我过后会尝试调参，或者检查模型实现。

from bigscity-libcity.

学长您好，我想问下您有单独的GEML模型代码吗？这个lib东西太多我理不清楚，能单独分享一下吗？谢谢

from bigscity-libcity.

@l782993610 感谢您的回复，确实数据集中有很多0值，但也有稀疏的非零值。根据您的回复，我重新clone了代码，并且重新按照给的配置参数训练了模型，同样模型loss从一开始就稳定在7附近，然后我将预测结果npz进行了可视化

，绝大部分预测结果是图中的右侧即全是0的，而不是如真值（左图）一样有零星的非零值。我模型训练的log如下：
GEML-NYCTAXI202004-202006_OD-Dec-02-2021_10-02-30.log

from bigscity-libcity.

GEML 实现时参考代码，这里是另一个人做的实现，他不是作者，我也不是，只是为了作为其论文的 BaseLine 使用。注意他这个实现里面是没有多任务预测部分的，然后两个语义嵌入的融合也是直接相加而不是论文提到的拼接。

只看我那个代码实现文件应该就可以，不需要了解框架的细节。从 GEML 类开始看。

以下是我当时实现的论文笔记。

GEML

输入：T 个历史时间段中 N 个区域间 OD 矩阵构成的张量 $\rm \mathbb{R}^{T\times N\times N}$

模型结构：

• 图卷积层（GCN）

  • 构建邻接图：定义了两种邻居，并在这两种邻居定义下构成的两个邻接图。

    • 地理邻居：$\Phi_i$ 网格中相邻节点是邻居。

    • 语义邻居：$\Omega_i^{t'}$ 时间片内存在交通流连接的节点是邻居。

      注解：每一个时间步，都会构造一个语义邻接图。

  • 加权聚合：在两个邻接图上分别对节点特征 $\mathrm{f}^i_{t'}$ 进行聚合操作，作者还引入了一组预加权权重，加速训练。

    • 地理邻居：以距离作为预加权权重，得到节点地理邻居聚合后的特征 $\mathrm{r}^i_{t'} = \sigma(\mathrm{W}g\cdot(\mathrm{f}{t'}^i+\sum\limits_{g_j\in\Phi_i}^{} \cfrac{\mathrm{dis}(g_i,g_j)}{\sum\limits_{g_k\in \Phi_i} \mathrm{dis}(g_i,g_k)}\mathrm{f}_{t'}^j))$。

    • 语义邻居：以度数作为预加权权重，得到节点语义邻居聚合后特征 。

      $\mathrm{s}^i_{t'} = \sigma(\mathrm{W}s\cdot(\mathrm{f}{t'}^i+\sum\limits_{g_j\in\Omega^i_{t'}}^{} \cfrac{\mathrm{degree}(g_j)}{\sum\limits_{g_k\in \Phi_i} \mathrm{degree}(g_k)+\epsilon}\mathrm{f}_{t'}^j))$，其中 $\epsilon$ 用于避免除零。

    • 通过两层图卷积，得到节点嵌入表示，进行拼接融合 $v^i_t = [r^i_{t'},s^i_{t'}]$。

    • 输出形状：$\rm \mathbb{R}^{T\times N\times 2E}$。

• 时序预测层 （P-Skip-LSTM）

  • 将各个时间步嵌入表示构成的序列输入 LSTM 网络进行预测。

  • LSTM 网络是经过修改的，跳过 p 个时间步以有效捕获长程模式。

    若原始的 LSTM 表示为 $\mathrm{h}t^i = \mathrm{LSTM}(v_t^i,h{t-1})$，

    则新 P-Skip-LSTM 表示为 $\mathrm{h}t^i = \mathrm{LSTM}^p(v_t^i,h{t-p})$。

  • 输出形状：$\rm \mathbb{R}^{N\times 2E}$。

• 多任务预测层
  • 多任务学习：同时对始发地需求，目的地需求，OD 流进行预测。
  • 始发地需求预测值：对嵌入特征加权得 $\hat{p}i = \mathrm{w}{in}^\mathrm{T}\mathrm{h}_t^i$。
  • 目的地需求预测值：对嵌入特征加权得 $\hat{p}i = \mathrm{w}{in}^\mathrm{T}\mathrm{h}_t^i$。
  • OD 流预测值：$\hat{m}_{ij}= (\mathrm{W}_m \mathrm{h}_t^j)^\mathrm{T}\mathrm{h}_t^i,\mathrm{W}_m\in \mathbb{R}^{\rm 2E\times 2E}$。
• 目标函数：对三个任务的预测分别使用 MSE 后进行加权，权重为 0.25, 0.25, 0.5

输出：OD 矩阵预测值 $\rm \mathbb{R}^{T\times N\times N}$

对我的 shit mount 代码不理解可联系 vx 17786408192。

from bigscity-libcity.

俺们自己训练的结果
GEML-NYCTAXI202004-202006_OD-Nov-23-2021_10-12-07.log
@YichenWHU
这个模型模型的想法非常新颖，但是最大的问题就是没找着原论文的数据集。这个 NYC 数据集是我们自己处理的，没调过参。

from bigscity-libcity.