40 Cities OSMnx/Networkx Матрицы смежности Дейкстры для сверточного графа прогнозирования трафика…

О

Матрицы смежности были рассчитаны для 40 городов с использованием данных датчиков https://doi.org/10.1038/s41598-019-51539-5 (ETH Zürich). Я лично арендовал сервер Google Cloud примерно за 500 евро для расчета этих матриц, потому что у нас так мало их в сообществе специалистов по прогнозированию трафика. Поскольку большинство моделей в сообществе обучаются только на этих нескольких наборах данных, существует риск переобучения.

Используйте remove_missing_sensors.py для удаления датчиков, которых нет ни в матрице, ни в данных.

Репозиторий можно найти здесь: https://github.com/ThomasAFink/osmnx_adjacency_matrix_for_graph_convolutional_networks

Условия использования и ссылки на данные

Я НЕ связан ни с ETH Zürich, ни с набором данных UTD19. Чтобы использовать или опубликовать эти данные, вы должны зарегистрироваться и соблюдать условия использования, которые можно найти в нижней части веб-сайта набора данных UTD19 https://utd19.ethz.ch/. Веб-сайт UTD19 https://utd19.ethz.ch/ и статья должны иметь ссылку Понимание пропускной способности городских сетей https://doi.org/10.1038/s41598-019-51539-5. Лучше всего указать также школу Eidgenössische Technische Hochschule Zürich (ETH Zürich). 6 ГБ данных, собранных с датчиков, также доступны при подписке на UTD19 https://utd19.ethz.ch/.

Лодер А., Л. Амбюль, М. Менендес и К.В. Axhausen (2019) Понимание пропускной способности городских сетей, Scientific Reports, 9 (1) 16283. https://doi.org/10.1038/s41598-019-51539-5

OpenStreetMap https://www.openstreetmap.org/ также необходимо указать, потому что матрицы рассчитаны с использованием OpenStreetMap. Если вы используете какие-либо карты, вы должны ссылаться как на OpenStreetMap, так и на Mapbox https://www.mapbox.com/ в дополнение к UTD19.

Кроме того, вероятно, лучше всего также ссылаться на города в публикациях. Дополнительные данные часто можно получить по запросам opendata из городов.

Код для отображения и вычисления матриц, с другой стороны, является лицензией MIT.

Учебники

Учебники по коду были предоставлены на Medium Томасом А. Финком.

Создание матрицы смежности с использованием алгоритма Дейкстры для графических сверточных сетей GCN https://thomasafink.medium.com/creating-an-adjacency-matrix-using-the-dijkstra-algorithm-for-graph-convolutional-networks-gcns- cc84c37e297 https://github.com/ThomasAFink/osmnx_adjacency_matrix_for_graph_convolutional_networks

Построение оптимального маршрута для специалистов по данным в Python с использованием алгоритма Дейкстры 14e3e9383a0a» https://github.com/ThomasAFink/optimal_path_dijkstra_for_data_science

Графовые сети

Оптимальные расстояния Дейкстры между каждым датчиком и каждым другим датчиком были рассчитаны с использованием OSMnx и NetworkX. Каждый город включает как минимум одну нормализованную и одну исходную матрицу с необработанными значениями. Два примера графических сетей визуализируются:

Данные

Данные можно использовать для машинного обучения, но не во всех городах их достаточно. Переменные включают скорость потока и занятость. До сих пор я тестировал набор данных Лос-Анджелеса только с моделью LSTM-GCN. Точность, R2 и дисперсия превышали 90% на уровне других наборов данных, таких как METR-LA и PEMS-BAY.