权重W和数据V运行步骤

输入W

1.W = weight_matrix(pjoin(‘./dataset’, f’PeMSD7_W_{n}.csv’))
2.L = scaled_laplacian(W)
3.1.Lk = cheb_poly_approx(L, Ks, n)
3.2.Lk = first_approx(W, n)
4.tf.add_to_collection(name=‘graph_kernel’, value=tf.cast(tf.constant(Lk), tf.float32))
5.kernel = tf.get_collection(‘graph_kernel’)[0]
6.n = tf.shape(kernel)[0]
tf.shape(kernel)[0] 将返回行数，kernel 是一个预先计算的图卷积核，其形状为 [n_route, Ks*n_route]
7.x_mul = tf.reshape(tf.matmul(x_tmp, kernel), [-1, c_in, Ks, n])

1.输入权重矩阵W = weight_matrix(pjoin(‘./dataset’, f’PeMSD7_W_{n}.csv’))

2.归一化拉普拉斯矩阵L = scaled_laplacian(W)

3.1.图的一阶近似Lk = first_approx(W, n)

3.2.Chebyshev 多项式近似图拉普拉斯算子Lk = cheb_poly_approx(L, Ks, n)

4.基于图的谱卷积gconv(x, theta, Ks, c_in, c_out)

Lk包含所有Tk的集合

输入V

1.data_file = f’PeMSD7_V_{n}.csv’
2.PeMS = data_gen(pjoin(‘./dataset’, data_file), (n_train, n_val, n_test), n, n_his + n_pred)
1）.data_seq = pd.read_csv(file_path, header=None).values
2）.seq_test = seq_gen(n_test, data_seq, n_train + n_val, n_frame, n_route, day_slot)
3）.x_test = z_score(seq_test, x_stats[‘mean’], x_stats[‘std’])
4）.x_data = {‘train’: x_train, ‘val’: x_val, ‘test’: x_test}
5）.dataset = Dataset(x_data, x_stats)
3.model_test(PeMS, PeMS.get_len(‘test’), n_his, n_pred, args.inf_mode)
1）.x_test, x_stats = inputs.get_data(‘test’), inputs.get_stats()
2）.y_test, len_test = multi_pred(test_sess, pred, x_test, batch_size, n_his, n_pred, step_idx)
gen_batch(seq, min(batch_size, len(seq)), dynamic_batch=dynamic_batch):
3）.evl = evaluation(x_test[0:len_test, step_idx + n_his, :, :], y_test, x_stats)
4）.te = evl[ix - 2:ix + 1]

1.Z-score标准化

z_score 函数
该函数用于执行Z-score标准化，将数据转化为均值为0和标准差为1的形式。

参数：
x: 输入的numpy数组。
mean: 均值。
std: 标准差。
返回值： 经过Z-score标准化后的数组。

2.z_inverse

z_inverse 函数
这个函数是z_score函数的逆操作，用于恢复被标准化的数据。