**深度学习在城市交通预测中的应用：DL-Traff-Graph使用手册**

本指南旨在帮助开发者快速理解并使用DL-Traff-Graph项目，这是一个专为城市交通预测设计的基于图神经网络的模型集合。项目来源于CIKM 2021资源论文，提供了对网格化和图基础模型的基准测试。

1. 项目目录结构及介绍

.
├── METR-LA           # 数据集之一，包含洛杉矶地区的交通流量数据
│   ├── metr-la.h5    # 特征文件
│   ├── adj_mx.pkl    # 不对称道路邻接文件
│   └── W_metrla.csv  # 对称道路邻接文件
├── PEMSBAY            # 另一数据集，涵盖湾区的交通信息
│   ├── pems-bay.h5   # 特征文件
│   ├── adj_mx_bay.pkl # 不对称道路邻接文件
│   └── W_pemsbay.csv  # 对称道路邻接文件
├── PEMSD7M           # 第三个数据集，对应特定区域的详细交通数据
│   ├── V_228.csv     # 特征文件
│   └── W_228.csv     # 道路邻接关系文件
├── workMETRLA         # 主程序文件夹，以METR-LA为例的处理逻辑
│   ├── parameter.py   # 共享参数文件
│   ├── parameter_STGCN.py # STGCN模型特定参数
│   ├── STGCN.py      # STGCN模型文件，用于调试和接口提供
│   └── pred_STGCN3.csv # 预测输出文件示例
├── workPEMSBAY        # 类似的主程序文件夹，针对PEMSBAY数据集
├── workPEMSD7M       # 同上，针对PEMSD7M数据集
├── requirements.txt  # 项目依赖项（假设存在，未直接列出）
├── README.md         # 项目说明文档
└── setup.py          # 安装脚本（示例，实际项目中可能不存在）

2. 项目的启动文件介绍

示例：使用STGCN模型进行训练和预测（以METR-LA数据集为例）

• 训练与预测程序：workMETRLA/pred_STGCN3.py是主要的执行程序，用于模型的训练、预测和测试。

• 模型调试运行：你可以直接运行STGCN.py在特定GPU上调试模型（例如，GPU 1），通过命令 python STGCN.py 1。

• 完整流程启动：使用同样的Python命令但执行预测程序来完成整个训练和测试过程，如 python pred_STGCN3.py 1。

3. 项目的配置文件介绍

• 共享参数文件：每个数据集对应的work*/*/*.py文件夹下有parameter.py，它包含了所有模型共用的基础参数设置。
• 模型特定参数：例如parameter_STGCN.py提供了STGCN模型的特殊配置，优先于共享参数。

这些配置文件定义了模型训练的关键超参数，如学习率、批次大小、网络结构细节等。用户可以根据需要调整这些参数以优化模型性能或适应不同的实验需求。

---

安装与基本环境准备：

1. 先决条件：确保你的系统已安装Ubuntu 20.04.2 LTS，Python 3.6及以上版本（推荐使用Anaconda环境）以及PyTorch 1.6.0+。

2. 项目克隆与依赖安装：通过Git克隆项目，并使用pip安装必要的库，注意torch-summary的正确安装步骤，避免旧版引起的错误。

开始探索前，请仔细阅读项目内的README.md，了解数据预处理和具体运行案例。这样，你就能够顺利地在你的环境中部署并测试DL-Traff-Graph，利用其强大的功能进行城市交通预测分析。