# 数据集适用的任务 在本节中，我们向您介绍我们提供的[标准数据集](https://drive.google.com/drive/folders/1g5v2Gq1tkOq8XO0HDCZ9nOTtRpB6-gPe?usp=sharing)和任务、模型之间的对应关系。 值得注意的是，某些数据集只能支持某个任务中的某些模型。 如果你觉得这个表格看起来不够方便，请点击[这里](https://github.com/LibCity/Bigscity-LibCity-Docs-zh_CN/blob/master/source/user_guide/data/dataset_for_task.md)在Github上查看此表格。 | 任务 | 数据集 | 支持的模型 | 备注 | | -------------- | ------------------------------------------------------------ | ------------------------------------------------------------ | ------------------------------------------------------------ | | 交通流量预测 | **TAXIBJ**, PORTO, NYCTAXI_GRID, NYCBIKE, AUSTINRIDE, BIKEDC, BIKECHI, **NYCBike20140409**, **NYCBike20160708**, **NYCBike20160809**, **NYCTaxi20140112**, **NYCTaxi20150103**, **NYCTaxi20160102**, **T_DRIVE20150206**, T_DRIVE_SMALL | ACFM, STResNet, DSAN, ACFMCommon, STResNetCommon | 基于网格的数据 | | | **PEMSD3**, **PeMSD4**, **PeMSD7**, **PeMSD8**, BEIJING_SUBWAY, M_DENSE, SHMETRO, HZMETRO, NYCTAXI_DYNA | RNN, Seq2Seq, FNN, AutoEncoder, AGCRN, ASTGCNCommon, MSTGCNCommon, STSGCN, CONVGCNCommon, ToGCN, MultiSTGCnetCommon, STNN, ASTGCN, MSTGCN, CONVGCN, DGCN, ResLSTM, MultiSTGCnet | 基于传感器点的数据 | | | **TAXIBJ**, PORTO, NYCTAXI_GRID, NYCBIKE, AUSTINRIDE, BIKEDC, BIKECHI, **NYCBike20140409**, **NYCBike20160708**, **NYCBike20160809**, **NYCTaxi20140112**, **NYCTaxi20150103**, **NYCTaxi20160102**, **T_DRIVE20150206**, T_DRIVE_SMALL | RNN, Seq2Seq, FNN, AutoEncoder, AGCRN, ASTGCNCommon, MSTGCNCommon, STSGCN, CONVGCNCommon, ToGCN, MultiSTGCnetCommon, STNN, ASTGCN, MSTGCN, CONVGCN, DGCN, ResLSTM, MultiSTGCnet | 需要简单的修改以用于网格数据， **见 Note 3.** | | | **M_DENSE** | CRANN | 需要`.ext` 文件 | | | **NYCBike20160708**, **NYCTaxi20150103** | STDN | 需要`.gridod` 文件 | | 交通速度预测 | **METR_LA**, **LOS_LOOP**, **PeMSD4**, **PeMSD8**, **PEMSD7(M)**, **PEMS_BAY**, LOS_LOOP_SMALL, SZ_TAXI, LOOP_SEATTLE, Q_TRAFFIC, ROTTERDAM | RNN, Seq2Seq, FNN, AutoEncoder, DCRNN, STGCN, GWNET, MTGNN, STMGAT, TGCN, ATDM, HGCN, DKFN, STTN, GTS, GMAN, STAGGCN, TGCLSTM | 基于传感器点的数据 | | | **LOOP_SEATTLE** | TGCLSTM | **见Note 2.** | | 交通需求预测 | **TAXIBJ**, PORTO, NYCTAXI_GRID, NYCBIKE, AUSTINRIDE, BIKEDC, BIKECHI, **NYCBike20140409**, **NYCBike20160708**, **NYCBike20160809**, **NYCTaxi20140112**, **NYCTaxi20150103**, **NYCTaxi20160102**, **T_DRIVE20150206**, T_DRIVE_SMALL | DMVSTNet | 基于网格的数据 | | | **PEMSD3**, **PeMSD4**, **PeMSD7**, **PeMSD8**, BEIJING_SUBWAY, M_DENSE, SHMETRO, HZMETRO, NYCTAXI_DYNA | RNN, Seq2Seq, FNN, AutoEncoder, CCRNN, STG2Seq | 基于传感器点的数据 | | | **TAXIBJ**, PORTO, NYCTAXI_GRID, NYCBIKE, AUSTINRIDE, BIKEDC, BIKECHI, **NYCBike20140409**, **NYCBike20160708**, **NYCBike20160809**, **NYCTaxi20140112**, **NYCTaxi20150103**, **NYCTaxi20160102**, **T_DRIVE20150206**, T_DRIVE_SMALL | CCRNN, STG2Seq | 需要简单的修改以用于网格数据， **见 Note 3.** | | OD矩阵预测 | **NYCTAXI_OD** | GEML | 基于点的OD的数据 | | | **NYC_TOD** | GEML | 需要简单的修改以用于网格OD数据， **见 Note 4.** | | | **NYC_TOD** | CSTN | 基于网格的OD的数据和`.ext` 文件 | | 交通事故预测 | **NYC_RISK**, CHICAGO_RISK | GSNet | 基于网格的交通事故数据 | | 轨迹下一跳预测 | **Gowalla**, BrightKite | FPMC, RNN, ST-RNN, ATST-LSTM, DeepMove, HST-LSTM, LSTPM, STAN | 轨迹数据 | | | **Fousquare**, Instagram | FPMC, RNN, ST-RNN, ATST-LSTM, DeepMove, HST-LSTM, LSTPM, GeoSAN, STAN, SERM, CARA | 轨迹数据 | | 到达时间估计 | **Chengdu_Taxi_Sample1** | DeepTTE | 轨迹数据 | | | **Beijing_Taxi_Sample** | DeepTTE, TTPNet | 轨迹数据 | | 路网匹配 | **Seattle**, global | STMatching, IVMM, HMMM | 轨迹数据 | | 路网表征学习 | **bj_roadmap_edge** | ChebConv, LINE | 路网数据 | **Note 1** 加粗的数据集是我们推荐的数据集。 **Note 2** 对于`TGCLSTM`，需要将`dataset_class`设置为`TrafficStatePointDataset`。 否则，默认的`dataset_class=TGCLSTMDataset` 只适用于数据集`LOOP_SEATTLE`。 **Note 3** 以下是如何将用于基于点的数据的模型推广到基于网格的数据。 （1）如果模型使用的数据集类是`TrafficStatePointDataset`，如`AGCRN`、`ASTGCNCommon`、`CCRNN`等，可以直接在`task_file.json`中将`dataset_class`设为`TrafficStateGridDataset`或通过自定义配置文件（`--config_file`）设置。 然后将 `TrafficStateGridDataset` 的参数 `use_row_column` 设置为 `False`。 （2）如果模型使用的数据集类是`TrafficStatePointDataset`的子类，如`ASTGCNDataset`、`CONVGCNDataset`、`STG2SeqDataset`等，可以修改数据集类的文件，使其继承`TrafficStateGridDataset` 取代当前的`TrafficStatePointDataset`。 然后将函数`__init__()`中的参数`use_row_column`设置为`False`。 样例（1）： 修改前： ```python # task_config.json "RNN": { "dataset_class": "TrafficStatePointDataset", }, # TrafficStateGridDataset.json { "use_row_column": true } ``` 修改后： ```python # task_config.json "RNN": { "dataset_class": "TrafficStateGridDataset", }, # TrafficStateGridDataset.json { "use_row_column": false } ``` 样例（2）： 修改前： ```python # task_config.json "STG2Seq": { "dataset_class": "STG2SeqDataset", }, # STG2SeqDataset.json { "use_row_column": false } # stg2seq_dataset.py from libcity.data.dataset import TrafficStatePointDataset class STG2SeqDataset(TrafficStatePointDataset): def __init__(self, config): super().__init__(config) pass ``` 修改后： ```python # task_config.json "STG2Seq": { "dataset_class": "STG2SeqDataset", }, # STG2SeqDataset.json { "use_row_column": false } # stg2seq_dataset.py from libcity.data.dataset import TrafficStateGridDataset class STG2SeqDataset(TrafficStateGridDataset): def __init__(self, config): super().__init__(config) self.use_row_column = False pass ``` **Note 4** 以下是如何将用于基于点的OD的数据的模型推广到基于网格的OD的数据。（跟Note 3是类似的） （1）如果模型使用的数据集类是`TrafficStateOdDataset`，如`GEML`等，可以直接在`task_file.json`中将`dataset_class`设为`TrafficStateGridOdDataset`或通过自定义配置文件（`--config_file`）设置。 然后将 `TrafficStateGridOdDataset` 的参数 `use_row_column` 设置为 `False`。 （2）如果模型使用的数据集类是`TrafficStateOdDataset`的子类，可以修改数据集类的文件，使其继承`TrafficStateGridOdDataset` 取代当前的`TrafficStateOdDataset`。 然后将函数`__init__()`中的参数`use_row_column`设置为`False`。