【亲测免费】 **DCRNN安装与配置完全指南**

项目基础介绍及主要编程语言

DCRNN (Diffusion Convolutional Recurrent Neural Network) 是一个基于TensorFlow实现的深度学习模型，专为交通流量预测设计。它由Yaguang Li等人提出，并在2018年的国际学习表征会议(ICLR)上发表。此项目采用Python为主要编程语言，特别是在TensorFlow 1.x版本上构建。

项目使用的关键技术和框架

• 深度学习框架: TensorFlow
• 关键技术: 引入扩散卷积和循环神经网络(RNN)，结合图神经网络的概念，以处理具有空间依赖性的时序数据。
• 数据驱动: 利用实际交通数据集(METR-LA与PEMS-BAY)进行训练和评估。
• 预处理与后处理: 包括HDF5文件处理、图构造、数据切分等辅助工具。

安装和配置详细步骤

环境准备

确保你的系统已安装以下软件：

• Python >= 3.6
• TensorFlow >= 1.3.0
• Other dependencies: scipy, numpy, pandas, pyaml, statsmodels

步骤1：创建虚拟环境（可选但推荐）

在终端中创建一个新的虚拟环境，以便隔离项目依赖。

python3 -m venv dcrnn-env
source dcrnn-env/bin/activate

步骤2：安装依赖项

通过pip安装所有必需的库。

pip install -r https://raw.githubusercontent.com/liyaguang/DCRNN/master/requirements.txt

获取项目源码

克隆DCRNN项目到本地。

git clone https://github.com/liyaguang/DCRNN.git
cd DCRNN

数据准备

你需要下载Los Angeles（METR-LA）和Bay Area（PEMS-BAY）的交通数据文件，这些可以通过Google Drive或Baidu Yun获取。之后，将它们放在data/目录下，文件名应为metr-la.h5和pems-bay.h5。

创建数据集

运行脚本来生成训练、测试和验证数据集。

mkdir -p data/METR-LA data/PEMS-BAY
python -m scripts.generate_training_data --output_dir=data/METR-LA --traffic_df_filename=data/metr-la.h5
python -m scripts.generate_training_data --output_dir=data/PEMS-BAY --traffic_df_filename=data/pems-bay.h5

图构造

对于LA的数据，项目已经提供了传感器距离信息，因此可以直接生成图的邻接矩阵。

python -m scripts.gen_adj_mx --sensor_ids_filename=data/sensor_graph/graph_sensor_ids.txt --normalized_k=0.1 --output_pkl_filename=data/sensor_graph/adj_mx.pkl

运行预训练模型（验证安装）

为了快速验证是否正确设置，你可以尝试运行预训练的模型。

python run_demo.py --config_filename=data/model/pretrained/METR-LA/config.yaml

或者针对PEMS-BAY：

python run_demo.py --config_filename=data/model/pretrained/PEMS-BAY/config.yaml

开始自己的训练（高级步骤）

如果你希望从头开始训练模型，使用对应的配置文件。

python dcrnn_train.py --config_filename=data/model/dcrnn_la.yaml # 对于METR-LA
python dcrnn_train.py --config_filename=data/model/dcrnn_bay.yaml # 对于PEMS-BAY

至此，您已经成功安装并配置了DCRNN项目，可以开始探索其强大的时空预测能力了。

---

请注意，由于依赖的具体版本可能会随时间更新，建议在执行上述命令前查看项目的最新说明和可能的依赖更改。