原子文件

定义如下几种原子文件：

文件名	内容	示例
xxx.geo	存储地理实体属性信息。	geo_id, type, coordinates
xxx.usr	存储交通使用者信息。	usr_id, gender, birth_date
xxx.rel	存储实体间的关系信息，如路网。	rel_id, type, origin_id, destination_id
xxx.dyna	存储交通状态信息。	dyna_id, type, time, entity_id, location_id
xxx.ext	存储外部信息，如天气、温度等。	ext_id, time, properties
config.json	用于补充描述各表信息。

注：对于不同的交通预测任务，可能用到不同的原子文件，同一个数据集不一定包含全部六种原子文件。

.geo、.usr、 .rel、 .dyna 和 .ext 的格式类似 csv 文件， 即含有多列数据。

如果在处理成原子文件的过程中，对任意一种id进行了重映射，我们推荐从0开始编号！

Geo 表

Geo 表中一个元素由以下四部分组成：

geo_id、 type、 coordinates、 properties （多列）。

• geo_id： 主键，唯一确定一个 geo 实体。 （如传感器， 经纬度点， 路段， 区域等的编号)

• type： 表示该 geo 的类型。有 [Point, LineString, Polygon] 三种值。 这三种取值与 Geojson 中的点线面一致。

• coordinates：由 float 类型组成的数组或嵌套数组。 描述 geo 实体的位置信息，采用 Geojson 的 coordinates 格式

• properties： 描述该 geo 的属性信息，若有多个属性，可以使用不同的列名定义为多列数据，如 POI_name， POI_type。 （对于网格数据，必有两列 row_id 和 column_id 属性表示网格的行列编号。）

注： Geojson 的 coordinates 格式为： (经度, 纬度)

• Point： [102.0, 0.5]

• LineString： [ [102.0, 0.0], [103.0, 1.0], [104.0, 0.0], [105.0, 1.0] ]

• Polygon： [[ [100.0, 0.0], [101.0, 0.0], [101.0, 1.0], [100.0, 1.0], [100.0, 0.0] ]]

Usr 表

Usr 表中一个元素由以下两部分组成：

usr_id， properties （多列）。

• usr_id： 主键，唯一确定一个 usr 实体。

• properties： 描述该 usr 实体的属性信息，若有多个属性，可以使用不同的列名定义为多列数据，如 gender，birth_date。

Rel 表

Rel 表中一个元素由以下四个部分组成：

rel_id、 type、 origin_id、 destination_id、 properties（多列）。

• rel_id： 主键，唯一确定一个实体间的关系。

• type： 枚举类。取值为 [usr，geo]，表示该关系是基于 geo 还是 usr。

• origin_id： 关系起点方的 ID，为 Geo 表或 Usr 表中的一个。

• destination_id： 关系终点方的 ID，为 Geo 表或 Usr 表中的一个。

• properties： 描述该关系所具有的属性信息。若有多个属性，可以使用不同的列名定义多列数据。

Dyna 表

Dyna 表中一个元素由以下五部分组成：

dyna_id、 type、 time、 entity_id（多列）、 properties（多列）。

各列介绍

• dyna_id： 主键，唯一标识动态表中的一条记录。

• type： 枚举类。一共有两种取值： trajectory（轨迹预测任务） 和 state（状态预测任务）。

• time： 时间信息，采用 ISO-8601 标准 中的日期时间组合表示法， 如： 2020-12-07T02:59:46Z。

• entity_id： 描述该记录是基于哪一个实体观测产生的，就是 geo 或 usr的编号。

• properties： 描述该条记录的属性信息，若有多个属性，可以使用不同的列名定义为多列数据，比如既有速度数据、又有流量数据。

详细说明

• 对于交通状态预测任务：

  • 格式为：dyna_id, state, time, entity_id, properties，entity_id 可能有不同变化。

  • 对于传感器、路段、区域等实体来讲此列就是对应的编号， entity_id 的列名为 [entity_id]， 文件后缀名为 .dyna。

  • 对于网格结构的交通数据，entity_id 变成2列，列名为 [row_id, column_id]，文件后缀名为 .grid。

  • 对于基于OD结构的交通数据，entity_id 变成2列，列名为 [origin_id, destination_id]，文件后缀名为 .od。

  • 对于网格结合OD结构的交通数据，entity_id 变成4列，列名为 [origin_row_id, origin_column_id, destination_row_id, destination_column_id]，文件后缀名为 .gridod。

• 对于轨迹相关任务:

  轨迹数据包括GPS点轨迹、基于路段的轨迹（路网匹配后）、用户签到轨迹（基于POI的轨迹）。

  • GPS点轨迹

    • 格式为： dyna_id, type, time, entity_id, (traj_id), coordinates, properties.

    • entity_id列的内容应为usr_id，traj_id表示同一用户的多条轨迹的编号（从0开始），如果用户只有一条轨迹，则该列可以为空，coordinates列的内容为GPS点的纬度和经度。

  • 基于路段的轨迹

    • 格式为： dyna_id, type, time, entity_id, (traj_id), location, properties.

    • entity_id列的内容应为usr_id，traj_id表示同一用户的多条轨迹的编号（从0开始），如果用户只有一条轨迹，则该列可以为空，location列的内容是geo_id，指向geo表代表一个路段。

  • 基于POI的轨迹

    • 格式为： dyna_id, type, time, entity_id, (traj_id), location, properties.

    • entity_id列的内容应为usr_id，traj_id表示同一用户的多条轨迹的编号（从0开始），如果用户只有一条轨迹，则该列可以为空，location列的内容是geo_id，指向geo表代表一个POI。

  对于特定任务，轨迹下一个位置预测任务的输入基于POI点的轨迹，到达时间估计任务的输入为GPS点的轨迹或基于路段的轨迹，地图匹配任务的输入为GPS点的轨迹，输出的是基于路段的轨迹。

数据排列方式

• **Dyna 表中，应该按照 <entity_id> 和 双关键字排列，即<entity_id>相同的记录放在一起并按照排序。 **

• 特别的，对于轨迹数据，同一用户 <entity_id> 的轨迹应先按 <traj_id> 排序，<traj_id> 相同者按照 排序。

例如：

dyna_id,type,time,entity_id,traffic_speed
0,state,2012-03-01T00:00:00Z,773869,64.375
1,state,2012-03-01T00:05:00Z,773869,62.666666666666664
2,state,2012-03-01T00:10:00Z,773869,64.0
...
34270,state,2012-06-27T23:50:00Z,773869,66.75
34271,state,2012-06-27T23:55:00Z,773869,65.11111111111111
34272,state,2012-03-01T00:00:00Z,767541,67.625
34273,state,2012-03-01T00:05:00Z,767541,68.55555555555556
34274,state,2012-03-01T00:10:00Z,767541,63.75
...
68542,state,2012-06-27T23:50:00Z,767541,62.25
68543,state,2012-06-27T23:55:00Z,767541,66.88888888888889
68544,state,2012-03-01T00:00:00Z,767542,67.125
68545,state,2012-03-01T00:05:00Z,767542,65.44444444444444
...

dyna_id,type,time,entity_id,traj_id,coordinates,current_dis,current_state
0,trajectory,2014-08-03T18:29:00Z,810,0,"[104.115353,30.64392]",0.0,1.0
1,trajectory,2014-08-03T18:29:40Z,810,0,"[104.113091,30.642129]",0.294091467,1.0
2,trajectory,2014-08-03T18:30:20Z,810,0,"[104.110404,30.64393]",0.6199505718,1.0
3,trajectory,2014-08-03T18:31:00Z,810,0,"[104.108335,30.640667]",1.0332595142,1.0
...
21,trajectory,2014-08-03T18:53:23Z,810,0,"[104.076552,30.626844]",7.0811683597,0.0
22,trajectory,2014-08-03T18:13:00Z,810,1,"[104.106701,30.6916]",0.0,1.0
23,trajectory,2014-08-03T18:13:30Z,810,1,"[104.103889,30.688151]",0.4683813603,1.0
24,trajectory,2014-08-03T18:14:21Z,810,1,"[104.102828,30.68506]",0.8267467429,1.0

Ext 表

Ext 表中一个元素由以下五部分组成：

ext_id、 time、 properties (multiple columns)。

• ext_id：主键，唯一标识外部数据表中的一条记录。

• time： 时间信息，采用 ISO-8601 标准 中的日期时间组合表示法，如： 2020- 12-07T02:59:46Z。

• 描述该条记录的属性信息，若有多个属性，可以使用不同的列名定义为多列数据，比如既有温度数据、又有湿度数据。

数据类型定义

需要在 config 文件中给出数据集中各列的数据类型定义，有助于后续的数据处理。

类型	说明
geo_id	存在于 geo 表中的离散的有限的 ID
usr_id	存在于 usr 表中的离散的有限的 ID
rel_id	存在于 rel 表中的离散的有限的 ID
time	符合 ISO-8601 标准的时间字符串
coordinate	符合 Geojosn 格式的坐标表示法的字符串
num	实数类
enum	枚举类字符串
other	其余的均以字符串类型存储

Config 文件

Config 文件用以补充描述上述五个表自身的信息， 以 json 形式保存并由 geo、 usr、 rel、 dyna、 ext、 info 六个键组成

• geo、 rel、 dyna、 ext：

  包含一个 including_types 键， 以数组的形式描述该表中所具有的 type 值。 其后每个 type 作为键，描述该 type 下 properties 具有哪些键及其数据类型 。

• usr：

  包含一个 properties 键，描述表中 properties 包含哪些键及其数据类型

• info：

  包含其他必要的数据集统计信息，针对不同的交通预测任务，包含有不同的内容

  • 对于交通状态预测任务：

    • geo_file： .geo 文件的文件名， 字符串类型， 默认为数据集名。

    • rel_file： .rel 文件的文件名， 字符串类型， 默认为数据集名。

    • data_files： 数据文件的文件名 （例如 .dyna， .grid， .gridod）， 支持数组或字符串，默认为数据集名。

    • ext_file： .ext 文件的文件名， 字符串类型， 默认为数据集名。

    • weight_col： 从 .rel 文件中加载的列名， 支持只有一个元素的字符串数组或字符串。不指定的话，如果 .rel 文件只有一列权重列，则没有问题，否则报错。

    • data_col： 从数据文件（如 .dyna， .grid， .gridod）加载的列名 ， 支持数组或字符串，不指定则全部加载。

    • ext_col： 从外部数据文件中加载的列名， 支持数组或字符串，不指定则全部加载。

    • output_dim： 指定模型输出的维度， 一般应该跟 data_col 中指定的属性列名的数量相同。

    • time_intervals: 数据集时间片的长度，以秒为单位。

    • init_weight_inf_or_zero： 取值为 [inf , zero]。 加载 .rel 文件构建邻接矩阵时，初始化邻接矩阵为全INF (inf) 还是全0 (zero)， 默认为 inf。

    • set_weight_link_or_dist： 取值为 [link, dist]， 当加载 .rel 文件构建邻接矩阵时，使用文件中权重列中的原始值 (dist) 还是将之修订为全 01 的矩阵 (link)， 默认为 dist。 [注意： 如果 .rel 文件中只有相连的关系，没有不相连的关系，应该指定为 link]

    • calculate_weight_adj： 从 .rel 文件获取的邻接矩阵的权重是否需要进一步进行计算， 默认为 False。 部分邻接矩阵在原始数据的基础上，进行了一些计算。目前的计算方法是带有阈值的高斯核方法： $$ w_{ij} = \exp \left(- \frac{d_{ij}^{2}}{\sigma^{2}}\right)$$

    • weight_adj_epsilon： 高斯核的阈值。 经过计算的权重如果小于该阈值，则变成0，即 $$ w_{ij}[w_{ij}<\epsilon]=0$$ 此参数依赖于参数 calculate_weight_adj=True 。

• 对于轨迹下一跳预测任务：

  • distance_upper： POI点之间的最大距离。

样例如下：

{
    "geo":{
        "including_types":[
            "Point"
        ],
        "Point":{
            "poi_name":"other"
        }
    },
    "usr":{
        "properties":{
            "user_type":"enum",
            "birth_year":"time",
            "gender":"enum"
        }
    },
    "rel":{
        "including_types":[
            "geo"
        ],
        "geo":{
            "link_weight":"num"
        }
    },
    "dyna":{
        "including_types":[
            "state"
        ],
        "state":{
            "entity_id":"geo_id",
            "traffic_speed":"num"
        }
    },
    "grid":{
        "including_types":[
            "state"
        ],
        "state":{
            "row_id": 15,
            "column_id": 5,
            "traffic_speed":"num"
        }
    },
    "od":{
        "including_types":[
            "state"
        ],
        "state":{
            "origin_id":"geo_id",
            "destination_id":"geo_id",
            "traffic_speed":"num"
        }
    },
    "gridod":{
        "including_types":[
            "state"
        ],
        "state":{
            "origin_row_id": 15,
            "origin_column_id": 5,
            "destination_row_id": 15,
            "destination_column_id": 5,
            "traffic_speed":"num"
        }
    },
    "info": {
        "data_col": [
          "inflow",
          "outflow"
        ],
        "ext_col": [
          "Temperature"
        ],
        "data_files": [
          "TAXIBJ2013"
        ],
        "geo_file": "TAXIBJ",
        "ext_file": "TAXIBJ",
        "output_dim": 2,
        "init_weight_inf_or_zero": "inf",
        "set_weight_link_or_dist": "dist",
        "calculate_weight_adj": false,
        "weight_adj_epsilon": 0.1
  	}
}