آموزش پیش بینی ترافیک با پایتون: LSTM و شبکه عصبی گراف

مبانی Fundamentals

• مقدمه Introduction

• درباره این پروژه About this Project

• برنامه های کاربردی Applications

• فرصت های شغلی Job Opportunities

• چرا پایتون، کراس و گوگل کولب؟ Why Python, Keras, and Google Colab?

مدل ساختمان و آموزش Building and Training Model

• دایرکتوری کاری را تنظیم کنید Set up the working directory

• داخل پوشه مجموعه داده چیست؟ What is inside dataset folder?

• داخل code.ipynb چیست؟ What is inside code.ipynb?

• راه اندازی پروژه Launch Project

• GPU را فعال کنید Activate GPU

• نصب گوگل درایو Mounting Google Drive

• ارتقاء کتابخانه کراس Upgrading the Keras library

• واردات کتابخانه های لازم Importing necessary libraries

• تعریف دایرکتوری Defining the directory

• خواندن اطلاعات فاصله و سرعت مسیر Reading route distances and speeds data

• اشکال داده های ما Shapes of our data

• انتخاب زیر مجموعه ای از مسیرها Selecting a subset of routes

• اشکال داده های ما (دوباره) Shapes of our data (again)

• تجسم داده ها-1 Data visualization-1

• تجسم داده ها-2 Data visualization-2

• پیش پردازش و تقسیم داده ها Data preprocessing and splitting

• پیش پردازش داده ها و نتایج آن Data preprocessing and its outcomes

• تعریف پارامترها Defining parameters

• ایجاد مجموعه داده های TensorFlow Creating TensorFlow datasets

• ایجاد مجموعه داده قطار، اعتبار سنجی و آزمایش Creating train, validation, and test datasets

• ماتریس مجاورت را محاسبه کنید Compute the adjacency matrix

• ذخیره اطلاعات نمودار Store graph information

• ماتریس مجاورت یک نمودار را محاسبه کنید Compute the adjacency matrix for a graph

• یک لایه کانولوشن گراف را پیاده سازی کنید Implement a graph convolutional layer

• یک لایه کانولوشن گراف را با یک لایه LSTM ترکیب کنید Combine a graph convolutional layer with an LSTM layer

• پارامترهای مدل Model parameters

• نمونه ای از مدل LSTMGC Instance of the LSTMGC model

• ورودی ها و خروجی های مدل Inputs and outputs of the model

• تدوین مدل Compiling the model

• آموزش مدل Training the model

• ارزیابی مدل Evaluating the model

• تجسم مقادیر واقعی و پیش بینی شده Visualizing the actual and forecasted values

• میانگین خطاهای مطلق (MAE) Mean absolute errors (MAE)