安装和快速上手¶

安装LibCity¶

LibCity目前可以从源代码安装。

请执行下列命令来获得源代码。

git clone https://github.com/LibCity/Bigscity-LibCity.git
cd Bigscity-LibCity

在获得了源代码后，我们可以配置环境。

我们的代码是基于Python 3.7版本和PyTorch 1.7.1版本。您可以点击这里来了解如何安装PyTorch。例如，您的CUDA版本是10.2，您可以使用下列指令安装PyTorch。

Pip:

pip install torch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2

Conda:

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.2 -c pytorch

在安装PyTorch后，我们可以通过pip使用下列命令安装LibCity的所有依赖。

pip install -r requirements.txt

现在，我们就可以使用LibCity了，更多的细节可以看Quick Start一节。

LibCity中使用的数据集是以一种统一的原子文件格式存储的。

为了直接在LibCity中使用原始数据集，我们已经将所有这些数据集转换成了原子文件的格式，并提供了转换工具。

您可以直接下载我们处理好的数据集。数据集链接是百度网盘（提取码：1231）或Google Drive。

在运行LibCity的模型前，请确保您至少下载了一个数据集，并把它放在了Bigscity-LibCity/raw_data/dataset_name/*目录下。

例如，如果您下载了METR_LA数据集，目录结构如下所示：

用于训练和评测一个模型的脚本run_model.py位于项目根目录中，它提供了一系列命令行参数，使用户可以调整运行参数配置。

当运行run_model.py时，您必须声明三个参数，分别是task、dataset和model。例如：

python run_model.py --task traffic_state_pred --model GRU --dataset METR_LA

这个脚本会在默认参数配置下，在METR_LA数据集上运行GRU模型，执行交通状态预测任务。

此外，这个脚本还支持输入下面的这些命令行参数，用于调整流水线的参数设置。

支持的参数有：

task：要执行的任务名，包括traffic_state_pred，traj_loc_pred，eta，map_matching，road_representation。默认为traffic_state_pred。
model：要执行的模型名。默认为GRU。（支持的模型）
dataset：要执行的数据集。默认为METR_LA。（支持的数据集）
config_file：用户自定义的配置文件名。默认为None。（了解更多）
saved_model：是否保存训练好的模型。默认为True。
train：如果模型已经预训练过了，是否要重新训练模型。默认为True。
batch_size：训练集和验证集的批次大小。
train_rate：训练集在整个数据集中所占的比例。（划分的顺序是训练集、验证集、测试集）。
eval_rate：验证集在整个数据集中所占的比例。
learning_rate：学习率。不同的模型默认的学习率可能是不同的，请参考相关的配置文件了解更多细节。
max_epoch：最大的训练轮数。默认值随模型变化而变化。
gpu：是否使用GPU。默认为True。
gpu_id：使用的GPU的ID。默认为0。