DCRNN代码解析

数据处理

时序数据（以METR-LA数据集为例）

读取metr-la.h文件，这个文件的格式为(num_samples,num_nodes)，num_samples是时间步数共34272维，每五分钟采样；num_nodes为传感器数目，为207

划分训练集、验证集和测试集

每个集合中，划分模型用的监督样本(x,y)，长度都是12

于是现在训练样本有34272-11-12=34249(输入和输出窗口大小都为12，滑动步长为1)

现在x和y的shape为(34292,12,207)

在代码中，实际还插入了一维，作为特征维（data = np.expand_dims(df.values, axis=-1)）

这个特征维的第一维，也就是默认有的就是速度（这个是根据论文任务得知的）

现在x和yshape为(34292,12,207,1)

特征的可选项有add_time_in_day,add_day_in_week

对于add_time_in_day，数据是

06:00 → 0.25，18:00 → 0.75，范围[0,1）,在一天的哪个时刻，是1维

对于add_day_in_week，数据是

Monday → [1,0,0,0,0,0,0]，onehot向量，是7维

若add_time_in_day=True并且add_day_in_week=True，那么x和y的shape(34292,12,207,9)

对于y，似乎不需要特征维，只需要监督向量，这里读到后面的代码再说

然后根据这个形状，训练集70，验证集10，测试集20，那么x分别是：

train（23982,207,9）vali(3426,207,9)  test(6852,12,207,9)

三个集合分别保存到.npy文件中

图数据

输入：distance_df ([from,to,distance]),sensor_id,normalized_k

用传感器数据构建邻接矩阵adj_mx，边的权重由传感器之间的距离得出

有参数normalized_k作为稀疏参数，小于这个值的边的权重都归零

最终[sensor_ids, sensor_id_to_ind(传感器与编号的对应关系), adj_mx]保存为pkl文件

区分一下sensor_id,index和id：

模型

加载预训练模型

准备数据

param x: shape (batch_size, seq_len, num_sensor, input_dim)

        :param y: shape (batch_size, horizon, num_sensor, input_dim)

returns x shape (seq_len, batch_size, num_sensor*input_dim)

                 y shape (horizon, batch_size, num_sensor*output_dim)

在这里y的out_dim去掉了多余的特征维

加载预训练模型

损失计算：先把预测与真实值逆归一化，去掉缺失值（y_true=0）后，计算mae损失

DCRNNModel

主架构是编码器解码器架构

编码器和解码器都是n层图扩散卷积（DCRNN_Cell）

DCRNN_Cell

基于图卷积的GRU,可选用图卷积计算门控：