SohelRana-aiub-Pro/Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI
GitHub: SohelRana-aiub-Pro/Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI
该项目利用图神经网络对合成交通数据进行时空建模，预测城市道路网络中的未来交通状况。
Stars: 1 | Forks: 0
## 使用图神经网络的数据驱动交通预测 AI
交通拥堵是现代城市面临的最持久的挑战之一，它会影响生产力、增加燃油消耗并加剧污染。
数据驱动交通预测 AI 项目展示了人工智能如何使用模拟真实路况的合成数据集来预测交通速度。
通过训练先进的 AI 模型并将其部署在用户友好的 Web 应用程序中，该项目使技术和非技术用户都能轻松进行交通预测。该系统允许任何人输入或生成样本交通数据，并立即以数字和图形格式查看预测结果。
## 项目概述；
本项目展示了一个由**图神经网络 (GNNs)** 驱动的**数据驱动交通预测系统**，用于预测交通状况。该系统将道路网络建模为图，以捕获相连道路之间的**空间依赖关系**以及交通流中的**时间模式**。
与许多依赖公共交通传感器数据集的传统交通预测项目不同，本项目利用了旨在模拟真实交通场景的**合成（生成式）交通数据集**。这使得无需访问专有交通数据即可进行实验、快速原型设计和模型评估。
该项目展示了图神经网络如何学习交通网络内的复杂关系，并生成适用于智能交通系统 (ITS) 和智慧城市应用的准确交通预测。
## 功能
* 基于图的交通网络建模
* 合成（生成式）交通数据集
* 数据预处理与归一化
* 使用图神经网络进行空间学习
* 时间序列交通预测
* 模型训练与评估
* 性能可视化
* 模块化且可扩展的项目结构
## 项目目标
本项目的主要目标是：
* 使用图神经网络预测未来交通状况。
* 捕获路段之间的空间关系。
* 从序列数据中学习时间交通模式。
* 使用标准回归指标评估预测性能。
* 展示人工智能在智能交通系统中的应用。
## 使用的技术
| 类别 | 技术 |
| -------------------------- | -------------------------- |
| 编程语言 | Python |
| 深度学习 | PyTorch |
| 图学习 | PyTorch Geometric (PyG) |
| 数据处理 | Pandas, NumPy |
| 可视化 | Matplotlib, Seaborn |
| 机器学习工具 | Scikit-learn |
| 开发环境 | VS Code |
## 项目结构
要在本地服务器/PC 上实现，请遵循“项目代码结构与依赖命令”
## 数据集
合成（生成式）数据集
本项目使用的是**合成生成的交通数据集**，而非真实世界的交通传感器数据。
该数据集是为了模拟真实的城市交通行为而创建的，包括：
* 车辆数量
* 平均交通速度
* 交通密度
* 道路连通性
* 一天中的时间
* 星期几
* 天气状况（可选）
* 拥堵程度
使用合成数据集使研究人员和学生能够：
* 安全地进行实验，无需担心隐私问题。
* 一致地复现实验。
* 根据需要扩展数据集。
* 模拟各种交通场景。
## 方法论
工作流程由以下几个阶段组成：
1. 生成合成交通数据。
2. 预处理并归一化数据集。
3. 构建道路网络图。
4. 创建时间输入序列。
5. 训练图神经网络。
6. 预测未来交通状况。
7. 评估模型性能。
8. 可视化预测结果。
## 图表示
交通网络被表示为一个图。
* **节点 (Nodes)：** 交通传感器、交叉口或路段
* **边 (Edges)：** 节点之间的道路连通性
* **节点特征：** 交通速度、车辆数量、密度等。
* **目标：** 预测未来的交通状况
这种表示方式使模型能够捕获传统机器学习模型经常忽略的空间依赖关系。
## 模型架构
```
Synthetic Traffic Dataset
│
▼
Data Preprocessing
│
▼
Graph Construction
│
▼
Graph Neural Network Layer(s)
│
▼
Temporal Feature Learning
│
▼
Traffic Prediction
│
▼
Model Evaluation
```
## 评估指标
模型性能使用标准回归指标进行评估：
* 平均绝对误差 (MAE)
* 均方根误差 (RMSE)
* 平均绝对百分比误差 (MAPE)
* 决定系数 (R² Score)
## 安装
克隆代码库：
```
git clone https://github.com/SohelRana-aiub-Pro/Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI.git
cd Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI
```
安装依赖：
```
pip install -r requirements.txt
```
## 运行项目
运行预处理流水线：
## 结果
图神经网络成功地从合成数据集中学习了空间和时间交通模式。
典型的输出包括：
* 预测交通流
* 交通趋势可视化
* 训练和验证损失曲线
* 模型性能指标
* 预测值与实际值对比图
## 应用
潜在的应用包括：
* 智慧城市基础设施
* 智能交通系统 (ITS)
* 交通拥堵预测
* 路线优化
* 应急响应规划
* 城市交通管理
* 交通分析
## 未来改进
潜在的增强功能包括：
* 与真实世界的交通数据集（METR-LA、PEMS-BAY 等）集成
* 图注意力网络 (GAT)
* 时序图网络 (TGN)
* 时空图卷积网络 (STGCN)
* 基于 Transformer 的交通预测
* 实时预测仪表板
* 使用 FastAPI 或 Flask 进行部署
* 交互式可视化仪表板
## 致谢
本项目是作为研究和教育实现而开发的，旨在探索使用合成交通数据进行交通预测的图神经网络。
## 作者
**Sohel Rana**
* 数字货币投资者与技术负责人
GitHub: https://github.com/SohelRana-aiub-Pro
## 引用
如果您在研究或学术工作中使用了本项目，请适当地引用此代码库。
## 预测输出示例；
## 数据集
合成（生成式）数据集
本项目使用的是**合成生成的交通数据集**，而非真实世界的交通传感器数据。
该数据集是为了模拟真实的城市交通行为而创建的，包括：
* 车辆数量
* 平均交通速度
* 交通密度
* 道路连通性
* 一天中的时间
* 星期几
* 天气状况（可选）
* 拥堵程度
使用合成数据集使研究人员和学生能够：
* 安全地进行实验，无需担心隐私问题。
* 一致地复现实验。
* 根据需要扩展数据集。
* 模拟各种交通场景。
## 方法论
工作流程由以下几个阶段组成：
1. 生成合成交通数据。
2. 预处理并归一化数据集。
3. 构建道路网络图。
4. 创建时间输入序列。
5. 训练图神经网络。
6. 预测未来交通状况。
7. 评估模型性能。
8. 可视化预测结果。
## 图表示
交通网络被表示为一个图。
* **节点 (Nodes)：** 交通传感器、交叉口或路段
* **边 (Edges)：** 节点之间的道路连通性
* **节点特征：** 交通速度、车辆数量、密度等。
* **目标：** 预测未来的交通状况
这种表示方式使模型能够捕获传统机器学习模型经常忽略的空间依赖关系。
## 模型架构
```
Synthetic Traffic Dataset
│
▼
Data Preprocessing
│
▼
Graph Construction
│
▼
Graph Neural Network Layer(s)
│
▼
Temporal Feature Learning
│
▼
Traffic Prediction
│
▼
Model Evaluation
```
## 评估指标
模型性能使用标准回归指标进行评估：
* 平均绝对误差 (MAE)
* 均方根误差 (RMSE)
* 平均绝对百分比误差 (MAPE)
* 决定系数 (R² Score)
## 安装
克隆代码库：
```
git clone https://github.com/SohelRana-aiub-Pro/Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI.git
cd Data-Driven-Traffic-Prediction-using-Graph-Neural-Networks-AI
```
安装依赖：
```
pip install -r requirements.txt
```
## 运行项目
运行预处理流水线：
## 结果
图神经网络成功地从合成数据集中学习了空间和时间交通模式。
典型的输出包括：
* 预测交通流
* 交通趋势可视化
* 训练和验证损失曲线
* 模型性能指标
* 预测值与实际值对比图
## 应用
潜在的应用包括：
* 智慧城市基础设施
* 智能交通系统 (ITS)
* 交通拥堵预测
* 路线优化
* 应急响应规划
* 城市交通管理
* 交通分析
## 未来改进
潜在的增强功能包括：
* 与真实世界的交通数据集（METR-LA、PEMS-BAY 等）集成
* 图注意力网络 (GAT)
* 时序图网络 (TGN)
* 时空图卷积网络 (STGCN)
* 基于 Transformer 的交通预测
* 实时预测仪表板
* 使用 FastAPI 或 Flask 进行部署
* 交互式可视化仪表板
## 致谢
本项目是作为研究和教育实现而开发的，旨在探索使用合成交通数据进行交通预测的图神经网络。
## 作者
**Sohel Rana**
* 数字货币投资者与技术负责人
GitHub: https://github.com/SohelRana-aiub-Pro
## 引用
如果您在研究或学术工作中使用了本项目，请适当地引用此代码库。
## 预测输出示例；
标签：交通预测, 人工智能, 凭据扫描, 图神经网络, 时间序列预测, 智慧城市, 用户模式Hook绕过, 逆向工具