企业官网建设流程全解析

简介：面向交通流预测与时空图卷积网络学习者，这份资源提供了IJCAI 2018发表的STGCN模型源码包，可用于城市交通流量预测、智能交通系统等场景。代码主体为Python编写，结合图卷积网络与时间序列分析，适合需要处理非欧几里得空间数据的算法研究者与开发者。压缩包共19个文件，包括11个Python脚本，覆盖模型定义、训练、测试及数据预处理等完整流程；6张PNG结果图直观展示预测值与实际值的对比；另附README说明文档与数据集压缩包，整体约7.05MB。已有2310人学习浏览。借助该资源，读者可学习STGCN的图卷积与时间卷积组合方式、交通流数据建模流程，以及模型评估与结果可视化方法，对深入研究智能交通与深度学习应用具有参考价值。

1. 路网流量预测的刚需与 STGCN 的定位：图卷积不是炫技，是绕不开

城市路网的监测点分布天然是不规则图结构，几百个传感器散布在高速路、匝道和主路上，彼此间距从几百米到几公里不等。传统 CNN 在规则网格上滑窗，RNN 只能抓住时间维度，两者都很难把“相邻站点之间的空间依赖”直接编码进预测过程。这套来自 IJCAI-18 的 STGCN 代码，把路网建模成一张图，用时空图卷积网络同时处理拓扑关系和时间序列，直接预测未来 15、30、45 分钟的路段流量。它解决的是智能交通里最实际的调度问题：调度、诱导、信号控制都需要提前几分钟知道下一个断面会堵成什么样。适合有一定 Python 和深度学习基础、想把第一个时空预测模型跑通的研究者或算法工程师，也适合刚接触非欧几里得数据建模的人当图卷积的入门副本。

2. STGCN 内部拆解：时间卷积与图卷积是怎样协作的

2.1 从网格到图：路网数据不能直接套 CNN 的原因

路网数据最麻烦的一点是传感器坐标没有规律，有的断面密集，有的断面稀疏。CNN 的卷积核要求输入是规则的网格像素，如果把传感器按经纬度强行投影成二维栅格，空白的栅格会占据大量无效计算，邻接关系也失真。RNN 类模型（LSTM、GRU）擅长捕捉时间依赖，但它们默认各个序列之间没有空间交互，这对路网来说是不可接受的——某一段路拥堵，影响会沿上下游和相邻匝道传播。

常见做法是把路网定义成一张图G = (V, E, A)，V是监测点，E表示连边，A是邻接矩阵。STGCN 中邻接矩阵不是简单填 0/1，而用监测点之间的实际距离生成：

import numpy as np def build_adjacency_matrix(coord, sigma2=0.1, threshold=0.1): # coord: 每个监测点的经纬度数组，shape=(N, 2) num_nodes = coord.shape[0] dist_mat = np.zeros((num_nodes, num_nodes)) for i in range(num_nodes): for j in range(num_nodes): dist_mat[i, j] = np.linalg.norm(coord[i] - coord[j]) adj = np.exp(-dist_mat ** 2 / sigma2) adj[adj < threshold] = 0.0 # 距离太远就断开 np.fill_diagonal(adj, 0.0) # 去掉自环 return adj

逻辑说明：先算监测点两两欧氏距离，再用高斯核把距离换算成 0 到 1 之间的权重；距离越近权重越大，低于阈值的边直接置零。这样构造出的邻接矩阵既保留了真实路网的局部性，又让图卷积可以按边的权重聚合邻居信息。两个参数值得注意：sigma2控制权重的衰减速度，threshold控制图的稀疏程度。阈值太小会让全网节点互连，计算量和噪声同时上升；阈值太大则图被切成孤立块，空间信息传不出去。我一般先用 0.1 起步，再看预测误差调。

2.2 空间图卷积与时间门控卷积的配合方式

STGCN 的核心结构是一个时空卷积块（ST-Block），块内顺序是：时间卷积 → 空间图卷积 → 时间卷积。两个时间卷积夹一个空间卷积，本质上是在做“先压缩时间维度特征，再在空间上传导，再压缩一次时间维度”的信息流。

空间图卷积用的是切比雪夫多项式近似，K 阶切比雪夫展开能让每个节点聚合 K 跳范围内的邻居信息。K=1 就是经典 GCN 的一阶近似，STGCN 中一般取 K=3，让空间感受野覆盖更远，同时避免 K 过大导致过平滑——所有节点特征趋同，预测变成一条水平线。节点特征在空间卷积层内的传播过程可以写成：

import tensorflow as tf def cheb_graph_conv(x, adj_scaled, theta, k): # x: 输入特征 [batch, num_nodes, input_dim] # adj_scaled: 缩放到 [-1, 1] 的拉普拉斯矩阵 # theta: 可学习参数 [k, input_dim, output_dim] outputs = [] x0 = x outputs.append(tf.matmul(x0, theta[0])) if k > 1: x1 = tf.matmul(adj_scaled, x0) outputs.append(tf.matmul(x1, theta[1])) for i in range(2, k): x2 = 2.0 * tf.matmul(adj_scaled, x1) - x0 outputs.append(tf.matmul(x2, theta[i])) x0, x1 = x1, x2 return tf.add_n(outputs)

逻辑说明：切比雪夫多项式的递推关系是T_k = 2x T_{k-1} - T_{k-2}，代码里迭代地生成高阶邻居聚合结果，每一阶都配一组可学习参数theta。这里adj_scaled是归一化后的拉普拉斯矩阵，一般用2L / lambda_max - I把它压到 [-1, 1]，保证递推数值稳定。参数k就是切比雪夫阶数，它直接控制空间感受野，调参时优先动它。

时间维度上，STGCN 用的是门控时间卷积：一维卷积先提取时间窗口内的局部特征，再用一个并行分支做 Sigmoid 门控，决定保留多少信息。这种设计比普通卷积多了一个“门”，对交通流这种含早晚高峰突变的信号更友好，能保留陡升陡降的细节，而不会把峰值直接抹平。

2.3 输入输出形状与预测窗口

整套模型的输入是一个五维张量。假设取 50 个监测点，输入过去 12 个时间片（5 分钟一个片，即过去 1 小时），每个点上有流量、速度、占用率 3 个特征，那么输入形状是[batch, 12, 50, 3]。时间卷积按 2D 卷积处理，把 12 和 3 两个维度合并后卷积，空间图卷积只作用在节点维度上。

这段比较关键：它预测的不是下一个 5 分钟，而是一段连续窗口，而且三个预测步长分别训练三个模型。这样设计的好处是训练目标清晰，代价是训练时间翻三倍。你要是只需要 15 分钟预测，可以只跑 H=3 的模型，不用全部复现。

3. 把压缩包跑起来：数据准备、环境与首次训练

3.1 压缩包结构：关键文件与职责

这套代码的目录组织得很清楚，拿到手先别急着跑，花五分钟把文件对应关系理清，后面排错会快很多。

先用unzip PeMS-M.zip解压数据，确认目录下有解压后的数据文件。代码里的数据路径一般默认指向./data/PeMS-M/，如果你把压缩包解压到了别的位置，需要同步修改main.py里的--data参数，否则data_utils.py会直接报FileNotFoundError。

3.2 TF 1.x 环境下的依赖安装与兼容写法

这套代码最早基于 TensorFlow 1.x 编写，用的是tf.Session、tf.placeholder这些老 API。TensorFlow 2.x 默认是 Eager 模式，直接跑会在模型构建阶段就报AttributeError: module 'tensorflow' has no attribute 'placeholder'。最省事的方案是装 TF 1.15，这是 1.x 里最后一个版本，兼顾稳定性：

conda create -n stgcn python=3.6 conda activate stgcn pip install tensorflow==1.15.0 numpy pandas scipy

逻辑说明：Python 3.6 是 TF 1.15 最稳的组合，numpy 版本建议不要超过 1.19，太新的 numpy 会在某些 TF 算子初始化时报TypeError之类的怪错。装完后可以快速验证 GPU 是否可用：

python -c "import tensorflow as tf; print(tf.__version__); print(tf.test.is_gpu_available())"

如果输出1.15.0和True，环境就绪。没有 GPU 也别急着放弃，PeMS-M 数据规模不大，CPU 上跑 50 个 epoch 只是慢一点，不会跑不动。

3.3 训练启动与参数选择

启动训练的命令通常长这样：

python main.py --model stgcn \ --data ./data/PeMS-M/PeMS-M.npz \ --train 1 \ --test 1 \ --batch_size 50 \ --epochs 50 \ --learning_rate 0.001

逻辑说明：--model指定模型类型；--data指向预处理后的数据文件；--train 1表示执行训练，--test 1表示训练结束后在测试集上评估；--batch_size是每次送入模型的样本数；--epochs是训练轮数；--learning_rate是初始学习率。首次跑建议把epochs降到 10，先确认数据流和损失函数正常，再加大轮数。

几个参数的实际使用建议：batch_size不是越大越好。STGCN 的图卷积要对整张邻接矩阵做矩阵乘法，batch 增大后显存占用几乎是线性增长。50 这个值在我这边的 GPU 上是安全的，显存偏小的机器可以先降到 32。学习率 0.001 配合 Adam 是常见默认值，如果训练日志里 loss 前几轮就剧烈震荡，先把学习率降到 0.0005 再试。

训练过程中trainer.py会按迭代输出 loss，每个 epoch 结束后还会计算验证集误差。正常的 loss 曲线应该是前几个 epoch 快速下降，之后进入平台期。如果你看到 loss 直接变成NaN，或者验证集误差比训练集高一两个数量级，不要继续等，先停下来对照下一章的排查清单。

4. 结果评估：从 log 与结果图判断模型是否学到时空特征

4.1 三个评估指标：MAE / MAPE / RMSE

这套代码的评测部分用三个指标衡量预测质量，压缩包里的结果文件也是围绕它们计算的。

只看某一个指标容易误判。MAE 低但 RMSE 高，说明大部分时段预测不错，但早晚高峰的峰值段可能有大幅偏差；MAPE 高但 MAE 低，往往是深夜低流量时段的小误差被百分比放大了。所以 STGCN 原论文和这代码都同时报告三个指标。

训练结束后，日志会打印测试集上的最终数值。你也可以写一段小脚本把每个 epoch 的训练与验证误差提取出来，画成曲线，确认模型是否收敛、有没有过拟合：

import re import matplotlib.pyplot as plt with open("train.log", "r") as f: logs = f.readlines() epochs, train_loss, val_loss = [], [], [] for line in logs: m = re.search(r"Epoch (\d+).*train_loss=([\d.]+).*val_loss=([\d.]+)", line) if m: epochs.append(int(m.group(1))) train_loss.append(float(m.group(2))) val_loss.append(float(m.group(3))) plt.plot(epochs, train_loss, label="train") plt.plot(epochs, val_loss, label="val") plt.legend() plt.savefig("loss_curve.png")

逻辑说明：正则表达式按日志格式提取 epoch 序号、训练误差和验证误差。如果train_loss一路下降但val_loss在某个 epoch 之后掉头上升，就是典型的过拟合信号，可以提前终止训练或调低模型容量。

4.2 复现结果图：预测曲线对真实流量的拟合程度

压缩包figures目录里的结果图分两类：一类是PeMS_Train_Time_L.png和PeMS_Train_Time.png，展示的是模型训练阶段的损失变化与单轮训练耗时，主要用来确认训练过程健康；另一类是PeMS_R39.png和PeMS_R141.png，这是两个代表性监测点（编号 R39、R141）的真实流量与预测流量对比图。

看这类对比图时有三个观察点：第一，预测曲线是否在早晚高峰时段与真实曲线同步上升和回落，交通流的序列相关性很强，如果相位错位，说明时间卷积没有学到延迟关系；第二，平峰时段预测值是否贴近真实值，这里最能暴露模型偏差；第三，突变段的误差方向是什么，是一个方向持续低估还是上下震荡，这决定了你要调时间卷积核宽度还是图卷积阶数。

我一般会同时打开四张图横向看，如果 R39 拟合得很好但 R141 偏差明显，问题多半不在模型结构，而在 R141 所在位置的空间邻接关系——比如它附近传感器稀少，图卷积能聚合到的邻居信息太弱。这时候需要回到邻接矩阵的阈值设置上，而不是盲目调学习率。

5. 避坑：复现 STGCN 时最常遇到的五个翻车点

5.1 现象：TF 2.x 环境直接跑，报AttributeError: module 'tensorflow' has no attribute 'placeholder'

原因：这套代码写在 TF 1.x 时代，main.py和base_model.py里大量使用tf.placeholder、tf.Session、tf.Graph等老接口，TF 2.x 把这些 API 挪到了tf.compat.v1下，默认命名空间里找不到。

解决：最省事的是创建 Python 3.6 + TF 1.15 的独立环境，见 3.2 节。如果项目强制用 TF 2.x，可以在代码文件开头统一加：

import tensorflow.compat.v1 as tf tf.disable_v2_behavior()

这样会让 TF 2.x 以 1.x 兼容模式运行，大多数老代码都能跑通。但注意：这只是兜底方案，训练速度会比原生 TF 1.x 略慢。

5.2 现象：运行main.py时提示FileNotFoundError，找不到.npz或.pkl数据文件

原因：压缩包里的PeMS-M.zip还没解压，或者解压后放到了和data_utils.py预期不同的目录。代码内部通常把数据路径拼成./data/PeMS-M/xxx.npz，目录层级差一级都读不到。

解决：先解压，再看main.py里--data参数的默认路径，用绝对路径最稳妥：

unzip PeMS-M.zip -d ./data/ python main.py --data ./data/PeMS-M/PeMS-M.npz

提示：如果数据文件下载后是.npz格式，不要手动截断或改名，numpy 对文件头有严格校验，改了后缀容易在读入时报EOFError。

5.3 现象：训练第几个 epoch 后 loss 突然变成NaN

原因：最常见的是学习率过大导致梯度爆炸，其次是数据归一化不规范——流量数据如果不做标准化直接喂进模型，数值跨度大，图卷积里的矩阵乘会把梯度放大几个量级。STGCN 对输入特征（流量、速度、占用率）单位差异很大，必须用训练集的均值方差做 z-score 归一化，而不是简单缩放到 0-1。

解决：检查data_utils.py里是否用了训练集统计量做标准化；确认--learning_rate从 0.001 起，如果还炸就降到 0.0005。这类问题不需要动模型结构，数据预处理修复后通常一轮就能恢复。

5.4 现象：显存占用缓慢涨满，训练中途 OOM

原因：图卷积层会对邻接矩阵做稠密矩阵乘法，监测点数量多、邻接矩阵不够稀疏时，中间的[batch, N, N]中间张量会撑爆显存。另外batch_size设置过大，梯度累积过程也会放大显存峰值。

解决：先看邻接矩阵的稀疏率——np.sum(adj > 0) / adj.size，低于 0.3 就要检查阈值是否设得太小。然后调小batch_size，从 50 降到 32 或 16。不要动模型结构，这个模型设计时就没有依赖超大 batch 才能收敛的特性。

5.5 现象：训练损失下降很慢，预测曲线整体滞后真实值半个周期

原因：时间卷积核宽度太小，感受野覆盖不了交通流的强周期特征。5 分钟一个时间片，核宽度为 3 只能看到前后 15 分钟的变化，而早晚高峰的上升趋势持续时间远超这个量级。

解决：在layers.py里把时间卷积核宽度从 3 加大到 5 或 7，同时确认输入历史窗口是否还是 12 个时间片——核宽度加大后，输入窗口最好也同步扩到 16 或 24，否则边界补齐会引入无效值。每次只动一个参数比较稳，先扩核宽看验证集误差变化，再决定要不要扩窗口。

6. 进阶：换成自己的路网数据与可复用的调参习惯

把这套代码用到自己的数据上，不是直接改个路径就完事，关键在于把原始监测数据整理成三样东西：时间序列矩阵、空间坐标数组、预测目标向量。常见做法是先按 5 分钟聚合原始流量数据，得到二维矩阵flows[n_nodes, n_timestamps]，同时准备每个节点的坐标文件，然后复用 2.1 节的函数生成邻接矩阵。数据准备好后，按 7:1.5:1.5 分成训练、验证、测试段，用训练集统计量归一化，再调用data_utils.py里已有的数据加载逻辑。

调参顺序上，我习惯先固定学习率 0.001，按这个顺序逐个调：先调图卷积阶数 K，观察空间依赖是否够远；再调时间卷积核宽度，观察时间感受野；最后调邻接矩阵的阈值和sigma2，这两参数对结果影响最隐蔽，值得做几组对比。每次只改一个参数，保存一组测试集指标，用表格对比，而不是凭感觉来回动。

验证环节不要只看总体指标，要把测试结果按时段拆开看：早高峰、午平峰、晚高峰、夜间分别算 MAE。很多时候总体指标很好看，但夜间低流量时段的 MAPE 高得离谱——流量接近 0 时，分子上差个位数就能让百分比翻倍。交通工程里通常更关注早晚高峰的表现，你把清晨和傍晚的误差控制住，整体评分自然会被拉上去。

从那以后我每次换数据集，都强制自己先花一小时检查数据时间对齐和邻接矩阵连通性，再起训练，省下的排错时间远大于检查成本。如果你想用最短时间跑通一套完整的时空图卷积方案，这个压缩包是值得逐行读一遍的。希望帮到你。

本文还有配套的精品资源，点击获取