【毕业设计】【周记】STGCN模型的改进和可视化
前言
主要记录一下实验过程中遇到的问题,理论部分的内容不做详述。
第一周(2022/02/28-2022/03/04)
第二周(2022/03/5-2022/03/11)
第三周(2022/03/12-2022/03/18)
第四周(2022/03/19-2022/03/25)
没开例会所以没做ppt,只写了进度报告,因为进度报告中的部分文字可能会用到论文里,所以先不把进度报告放上来。
第五周(2022/03/26-2022/04/01)
中期预答辩,新做了ppt,所以找不到了。
本周伊始,用flask框架搭建了一个项目,前端用js、bootsrap、jQuery等技术,后端用flask,本周主要解决了一些前端上的问题,比如,前端与后端传输文件,在这上面消耗了不少时间,因为前端的有些错误根本没有报错,只是没反应,一会儿行,一会儿不行,最后发现是引用的两个js冲突了。
随后两天,对STGCN模型的代码进行了一些改写,写了一些接口以便进行数据的可视化,比如,原模型并没有提供一个预测函数的接口,这使得我们不能对各站点流量的预测进行可视化,所以我利用它原本提供的方法写了一个返回预测值的方法,此外,原来的模型只记录了tensorbroad的可视化数据,这不方便我们在可视化系统中直接观察模型,于是我改写了原来的模块,在其中加入了record变量,记录copy_loss、train_loss和各epoch结束后的评价指标。
后端写好了,接下来两天我会完成把数据反应出来的前端网页。
现在做的网页,逻辑是,用户点击“csv文件”可以下载模板文件,然后用户用模板文件的格式记录24个时间点(2个小时)的40个站点的流量数据,然后点击“上传文件”,对未来(15、30、45、60分钟)进行预测。预测结果的网页还没有写好。
点击“站点地图”用户可以看到我们(虚拟)设立的40个观察点。
后台能输出预测的流量:
第六周(2022/04/02-2022/04/08)
本周主要训练了4+1个模型各10次,记录其指标,填写中期报告,制作中期答辩PPT,完善可视化系统的UI。
用了新做的中期答辩ppt,ppt内容太多做完了再放上来。
第七周(2022/04/09-2022/04/15)
中期答辩。
本周完善可视化系统的各种链接,用户点击“模型介绍”会到STGCN模型介绍页面,点击“帮助文档”会到本平台的使用手册页面,点击下方的一些链接可以跳转到对应页面。
本周还在撰写论文的第一章。
我发现ASTGCN模型的数据用自己的数据(10天的数据)跑出来效果也太差了,我认为这应该跟它的模型有关系,它模型的是引入了一个时间特性的机制,对当前,日周期,周周期,如果我只有10天的数据,“周周期”这部分的时间特性就完全没用上,所以后续考虑论文撰写到实验部分的时候,再补充做一个ASTGCN和STGCN用更大的数据集比较的实验。
第八周至今
中期完就在写论文,做答辩PPT了,没做实验了,实验步骤这两天在写,但是因为PeMS官网现在进不去,所以数据怎么收集的还没写好,写好之后会放上来。
【毕业设计】【周记】STGCN模型的改进和可视化相关推荐
- 模型可解释性-树结构可视化
在算法建模过程中,我们一般会用测试集的准确率与召回率衡量一个模型的好坏.但在和客户的实际沟通时,单单抛出一个数字就想要客户信任我们,那肯定是不够的,这就要求我们摆出规则,解释模型.但不是所有的模型都是 ...
- 为多模型寻找模型最优参数、多模型交叉验证、可视化、指标计算、多模型对比可视化(系数图、误差图、混淆矩阵、校正曲线、ROC曲线、AUC、Accuracy、特异度、灵敏度、PPV、NPV)、结果数据保存
使用randomsearchcv为多个模型寻找模型最优参数.多模型交叉验证.可视化.指标计算.多模型对比可视化(系数图.误差图.classification_report.混淆矩阵.校正曲线.ROC曲 ...
- 吴恩达《机器学习》学习笔记十四——应用机器学习的建议实现一个机器学习模型的改进
吴恩达<机器学习>学习笔记十四--应用机器学习的建议实现一个机器学习模型的改进 一.任务介绍 二.代码实现 1.准备数据 2.代价函数 3.梯度计算 4.带有正则化的代价函数和梯度计算 5 ...
- PocketSphinx语音识别系统语言模型的训练和声学模型的改进
PocketSphinx语音识别系统语言模型的训练和声学模型的改进 zouxy09@qq.com http://blog.csdn.net/zouxy09 关于语音识别的基础知识和sphinx的知识, ...
- 寻找模型最优参数、多模型交叉验证、可视化、指标计算、多模型对比可视化(系数图、误差图、混淆矩阵、校正曲线、ROC曲线、AUC、Accuracy、特异度、灵敏度、PPV、NPV)
使用randomsearchcv寻找模型最优参数.多模型交叉验证.可视化.指标计算.多模型对比可视化(系数图.误差图.classification_report.混淆矩阵.校正曲线.ROC曲线.AUC ...
- [转]PocketSphinx语音识别系统语言模型的训练和声学模型的改进
PocketSphinx语音识别系统语言模型的训练和声学模型的改进 zouxy09@qq.com http://blog.csdn.net/zouxy09 关于语音识别的基础知识和sphinx的知识, ...
- FLAC3D可视化后处理matlab,FLAC3D模型应力的Surfer可视化后处理.pdf
FLAC3D模型应力的Surfer可视化后处理 2016年第 1期 王志强 .等 :FLAC .模型应力的Surfer可视化后处理 总第 241期 range nameLay1planenor00 1 ...
- 使用生成式模型来改进旅游产品和服务的生成质量 GANs for Travel:A Review of Generative Recommendations
作者:禅与计算机程序设计艺术 近年来,计算机视觉.自然语言处理.推荐系统等多领域都在应用生成式模型(Generative Model)来改善产品或服务的效果.比如在电商领域,通过用户购买历史数据进行产 ...
- R语言拟合ARIMA模型并使用拟合模型进行预测推理、使用autoplot函数可视化ARIMA模型预测结果、可视化包含置信区间的预测结果
R语言拟合ARIMA模型并使用拟合模型进行预测推理.使用autoplot函数可视化ARIMA模型预测结果.可视化包含置信区间的预测结果 目录
- Python机器学习建模的标准流程(特征工程+建模调参+模型评估+全流程可视化)
作者CSDN:进击的西西弗斯 本文链接:https://blog.csdn.net/qq_42216093/article/details/116994199 版权声明:本文为作者原创文章,转载需征得 ...
最新文章
- 【Linux】【C/C++】十叉非完全树的构造和重构
- Java常见的乱码解决方式
- tab in English
- 数据算法 --hadoop/spark数据处理技巧 --(二次排序问题和TopN问题)
- Scala的集合类中的map方法和count 方法
- FPGA实现智能小车竞速
- uva 10559——Blocks
- docker镜像导入、导出
- UVAoj 11324 - The Largest Clique(tarjan + dp)
- vm和openstack_最佳新OpenStack技巧和窍门
- VBNET常用字符串常量
- 英文课程名称 c语言程序设计,课程名称C语言程序设计I.doc
- vue-admin-template修改登录功能
- 【论文学习】Large-scale Video Classification with Convolutional Neural Networks
- mapbox/minemap 首屏固定比例尺为1:20
- 不同方式实现IP访问限制
- 计算机通信常用的纠错方式,纠错
- C语言/C++编程学习:C语言环境设置
- C语言:输入字符并将它们输出
- CH5202 自然数拆分Lunatic版(算法竞赛进阶指南,完全背包)
热门文章
- 口袋小精灵JAVA版下载_口袋小精灵200合一
- Linux 通信机制 I/O多路复用之select
- PHP队列的实现,看完秒懂
- Bulma CSS - 简介
- C语言找n以上最小质数,[原创]求质数(C语言描述)
- 手机上的机器学习资源!Github标星过万的吴恩达机器学习、深度学习课程笔记,《统计学习方法》代码实现!
- 八:Webpack的加载器
- 如何申请电子邮箱,怎样注册163邮箱
- 林业与计算机结合的sci期刊,sci收录的林业期刊有哪些
- 银行业务光凭“刷脸”真的靠谱吗