HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival

Это базовая реализация нашей работы, представленной на конференции KDD'20 Applied Data Science Track (Oral):

Huiting Hong, Yucheng Lin, Xiaoqing Yang, Zang Li, Kung Fu, Zheng Wang, Xiaohu Qie, Jieping Ye. 2020. HetETA: Heterogeneous Information Network Embedding for Estiming Time of Arrival.

Исходный код основан на STGCN (https://github.com/VeritasYin/STGCN_IJCAI-18).

Фреймворк HetETA:

Зависимости:

Скрипт был протестирован под Python 2.7.5 со следующими установленными пакетами (вместе с их зависимостями):

• argparse==1.1;
• numpy==1.16.5;
• scipy==1.2.2;
• networkx==2.2;
• tensorflow-gpu==1.13.1;
• yaml==5.1.2.

Обзор:

Здесь мы предоставляем реализацию HetETA и игрушечный набор данных.

Папка организована следующим образом:

— папка dataset/ содержит: — make_sample.py — случайным образом генерирует игрушечный образец набора данных, чтобы помочь читателям понять формат ввода; — toy_sample/ содержит: * adj_gap_top5.mat — сеть на основе траекторий транспортных средств; * adj.mat — мультиреляционная дорожная сеть; * link_info.npz — статические атрибуты каждого участка дороги; * dynamic_fes.npz — динамическая характеристика (скорость) каждого участка дороги в течение периодов времени; * eta_label.npz содержит время, которое требуется транспортному средству для прохождения пути, начиная с периода t. — папка codes/ содержит: — data/: * model/ используется для сохранения обученной модели; * config_*.yaml настраивает путь и параметры. — model/ содержит реализацию сети HetETA; — utils/ содержит некоторые инструменты для загрузки набора данных; — train.py используется для выполнения полного цикла обучения на наборе данных.

Как запустить:

cd codes
python -u train.py --config data/config_HetETA_toy.yaml --model_dir data/model/HetETA_toy --dataset_dir ../dataset/toy_sample >> multi-HetETA_toy.log

Обратите внимание, что набор данных toy_sample не является реальным набором данных и используется только для предоставления примеров форматов данных, а не для обучения моделей.

Лицензия: Didi Chuxing, Beijing, China.