简介面向深度学习初学者的交通流量预测实战项目聚焦城市交通流量预测场景提供基于长短期记忆网络、门控循环单元、卷积神经网络及其组合模型的完整源码。项目覆盖数据预处理、模型训练、评估对比与结果可视化全流程代码结构清晰、注释友好适合新手系统理解时序预测建模思路。压缩包共十六个文件以八个脚本文件为核心包含主程序、配置模块、数据加载器及多种模型实现另有数据文件、性能对比图、说明文档和运行日志整体仅一点一八兆字节轻量易部署。目前已有九十一人学习下载可作为入门深度学习和交通流预测的参考样例。包内附有数据说明与运行日志可帮助读者快速核对实验配置、复现模型效果并借助可视化指标图直观比较各模型性能有效降低上手门槛。1. 交通流量预测为什么它是新手第一个深度学习实战项目当你想学深度学习最怕的不是看不懂公式而是找不到一个“数据现成、任务清楚、效果立见”的练手项目。交通流量预测恰好满足这三点公开数据集免费可得任务定义明确模型跑完画出来的曲线一眼能看出准不准。这套“深度学习交通流量预测新手入门实战项目源码”一般会把数据处理、LSTM或GRU建模、训练评估和可视化完整串起来正是新手最需要的完整闭环。这篇笔记按我实际复现这类源码的顺序展开预测口径、最小可跑通的命令、三个必调参数以及新手最容易翻车的几个点。适合刚装好深度学习环境、准备用Python跑第一个实战项目的人阅读。2. 拿到源码先别跑输入输出、预测口径和模型选型2.1 先回答三个问题预测谁、预测多长、用什么粒度交通流量预测并不是一个固定任务同一份源码在不同人手里可能做着完全不同的预测有人预测“下一个5分钟某路段的车速”有人预测“未来1小时某个路口的车流量”。拿到源码第一件事不是打开模型文件看网络结构而是先看数据处理脚本怎么定义样本。否则后面评估指标全是乱的这一点我踩过坑。我一般会按三个问题去拆解源码预测对象是流量还是速度流量是车辆数速度是公里/小时两者的数值范围、缺失形态、峰值特征都不一样。如果源码把车速数据当成流量归一化预测结果会非常诡异。时间粒度是多少常见的是5分钟、15分钟或1小时聚合。粒度直接决定滑动窗口长度和预测步长对应的真实时长。5分钟粒度下pred_len12代表预测未来1小时15分钟粒度下pred_len12代表未来3小时。是单步预测还是多步预测单步只要输出一个值多步要输出未来多个时间点。很多源码默认是单步但展示时画成了多步曲线新手容易被误导。以METR-LA这类公开交通数据为例原始数据按5分钟记录一个时间戳每一列是一个传感器检测器每一行是一个时刻。多数源码会把它整理成一个二维矩阵形状是(时间步数, 传感器数)。你先确认你要预测的是哪些列、提前多少步再去动模型。否则你就是在拿“多步预测的模型”去对比“单步预测的baseline”MAPE差十几个点还找不到原因。这里还有个更实际的建议拿到源码后先读配置文件或参数脚本看里面有没有seq_len、pred_len、num_nodes这三个字段。有些新手源码为了让代码好看会把参数写死在代码里你要逐个搜索确认。我复现过一份源码它的pred_len写在train.py的第200行不仔细看根本不知道模型是在做3步预测。这种隐藏参数是最容易翻车的。2.2 数据长什么样流量矩阵、缺失值和时间特征交通流量预测源码里通常有三个数据文件流量/速度矩阵、邻接矩阵、时间特征文件。新手最容易忽略的是邻接矩阵。如果源码用了图卷积网络GCN或图注意力网络邻接矩阵就是模型结构的一部分如果只是用LSTM/GRU邻接矩阵不参与训练只用于可视化。因此先用几行代码看清数据形状是复现的第一步。import pandas as pd # 假设原始数据是每5分钟一行每列是一个检测器 df pd.read_csv(data/raw.csv, index_coltime) print(df.shape) # 第一维是时间步数第二维是检测器数 print(df.head(3)) # 时间索引必须解析成datetime后续才能按时间切分 df.index pd.to_datetime(df.index) df[weekday] df.index.weekday df[hour] df.index.hour # 检查缺失值占比超过5%就要考虑插值策略 missing_ratio df.isna().mean() print(missing_ratio[missing_ratio 0.05])这段代码的逻辑很简单先确认数据形状再解析时间戳最后排查缺失值。df.shape的第一个维度决定你能切出多少训练样本第二个维度决定模型输入张量的num_nodes。missing_ratio的作用是筛选出缺失严重的列——如果某个传感器有超过5%的时间是空的它对训练就是负资产。缺失值处理是交通流量数据里的重头戏。最常见的做法是df.ffill()前向填充但连续缺失超过3个时间步时前向填充会把一段“恒定值”喂给模型。模型会学到“上一刻流量是多少下一刻就保持多少”这在交通场景里是错误的。更好的做法是短期缺失用前后时刻的均值长期缺失删除该检测器或整段剔除。具体插值方法可以等避坑章再细说这里只要记住缺失值处理方式直接影响你的loss曲线是否平滑。数据归一化也需要提前看源码是怎么做的。常见的有MinMaxScaler和StandardScaler两种。MinMax会把流量压到0-1区间适合LSTM这类对输入范围敏感的模型StandardScaler适合流量值本身近似正态分布的数据。但无论哪种源码里必须只对训练集拟合scaler再用同一个scaler去转换验证集和测试集。很多新手把整个数据集拿去fit这会造成信息泄漏测试指标虚高真实部署时立刻现原形。2.3 选型理由新手为什么首选LSTM而不是Transformer现在很多深度学习热词都在讲Transformer但新手做交通流量预测实战我一般建议先把LSTM或GRU跑通再考虑注意力机制。理由有三点。第一交通流量是强周期时序数据LSTM的门结构对噪声和缺失值有天然鲁棒性即使输入里有小幅抖动输出也不会剧烈跳变。Transformer的全局注意力对位置编码和数据分布更敏感数据稍微不干净就很容易训飞。第二LSTM源码短、训练资源占用低。一份能跑的LSTM源码可能只有100多行核心代码普通笔记本电脑用CPU也能在几十分钟内完成一轮训练。Transformer动辄几百万参数新手第一次配深度学习环境往往是CPU环境跑一轮可能几个小时就过去了这会让学习曲线变得异常陡峭。第三LSTM的预测结果容易解释。当某个早高峰时段的预测明显偏低你可以去检查输入序列里有没有异常波动也能看记忆单元的更新过程。解释性对新手极重要因为你要靠“为什么错”来理解模型而不是只知道“loss很高”。Transformer当然可以做交通流量预测而且效果往往更好但它需要更长的序列、更多的数据、更精细的学习率调度。对于“新手入门实战项目源码”这个定位先把LSTM的完整链路走通比直接调一个12层Transformer要靠谱得多。GRU是LSTM的简化版参数更少、训练更快效果通常只比LSTM差一点。我的建议是如果源码默认是LSTM就先用LSTM跑通如果允许选择模型优先试GRU省时间。选型时还要注意一个参数hidden_size和num_layers。常见配置是hidden_size64、num_layers2、dropout0.2。这两个超参数决定了模型的记忆容量但并非越大越好。hidden_size设到128训练时间增加一倍效果可能只提升0.5%hidden_size设到16模型又会明显欠拟合。新手直接在64和2这个组合上起步后续再按训练曲线调整。3. 跑通最小命令集环境配置、数据预处理和训练评估源码怎么用3.1 环境配置给深度学习环境配置一个可复现的清单拿到源码的第一步是把环境装好但很多新手在这一步就被劝退了。常见问题是PyTorch装了CPU版还是GPU版分不清装完torch又装tensorflow两个框架互相干扰conda环境重复创建导致磁盘满了。我的建议是新开一个干净的conda环境只装这份源码需要的依赖并且明确区分CPU和GPU。conda create -n traffic python3.9 -y conda activate traffic pip install torch --index-url https://download.pytorch.org/whl/cpu pip install pandas numpy matplotlib scikit-learn第一行创建名为traffic的独立Python环境Python版本用3.9兼容性最稳第二行激活环境第三行安装CPU版PyTorch--index-url指定了官方CPU通道避免误装到GPU版第四行安装数据处理和画图需要的库。如果你的机器有NVIDIA显卡并且已经装好CUDA可以把第三行的cpu换成cu118之类的版本号但新手我强烈建议先用CPU版跑通小数据再考虑GPU。这里有个容易被忽略的点pip install torch默认会装最新版本最新版通常要求Python 3.10以上。如果你用了Python 3.7pip可能直接报找不到对应版本。所以环境建好后先执行python -c import torch; print(torch.__version__)确认安装成功。很多源码还要求scikit-learn的具体版本建议先直接装最新版如果后续跑评估时报AttributeError再按源码里的requirements.txt降级。3.2 数据预处理从原始CSV到滑动窗口样本交通流量预测源码里最重要的预处理逻辑是把一维时间序列切成“过去一段预测未来一段”的样本。这个切分过程新手最容易写错错位一个下标就会导致模型学到的映射完全错误。import numpy as np import pandas as pd def make_samples(data, seq_len12, pred_len1): 把一维或多维时间序列切分为监督学习样本。 data: shape (time_steps, num_nodes) 或 (time_steps,) seq_len: 过去多少个时间步作为输入 pred_len: 未来多少个时间步作为预测目标 返回 x: (num_samples, seq_len, num_nodes), y: (num_samples, pred_len, num_nodes) xs, ys [], [] for i in range(len(data) - seq_len - pred_len 1): x data[i:i seq_len] y data[i seq_len:i seq_len pred_len] xs.append(x) ys.append(y) return np.array(xs), np.array(ys) # 示例读入流量矩阵取前1000个时间步做演示 traffic np.random.rand(1000, 10) x, y make_samples(traffic, seq_len12, pred_len1) print(输入形状:, x.shape, 标签形状:, y.shape)这段代码的逻辑是用循环不断滑动一个窗口窗口前seq_len个时刻作为输入紧接着的pred_len个时刻作为标签。range的上界是len(data) - seq_len - pred_len 1减掉两个长度是为了保证标签不越界。如果你把1丢了最后一个样本会被截断数据集容量少一个而且常出现形状对不上的报错。参数说明seq_len12在5分钟粒度下代表用过去1小时预测未来pred_len1表示预测下一个5分钟。如果你想做未来半小时的预测把pred_len改成6。这里有个新手常犯的错误seq_len和pred_len都设置为12其实代表用过去1小时预测未来1小时而不是预测未来12个单独的点。两者的区别在于多步预测是否把预测结果再当成输入后面避坑章会展开。切好样本后还要按时间顺序划分训练集、验证集、测试集。千万不要随机打乱。交通流量有强时间相关性随机打乱等于让模型看到未来数据训练时loss低得离谱测试时立刻打回原形。常见划分是前70%训练、后10%验证、最后20%测试。验证集用于调参测试集只在最终评估时用一次。3.3 训练和评估跑通最小命令的代码与参数预处理完成后就可以直接运行源码里的训练脚本了。大多数入门项目会提供一个train.py命令行参数至少包括模型类型、序列长度、预测长度、训练轮数、批大小和学习率。下面是我常用的运行命令python train.py --model lstm --seq-len 12 --pred-len 1 --epochs 50 --batch-size 64 --lr 0.001这条命令的含义用LSTM模型输入窗口12个时间步预测未来1个时间步训练50轮每批64个样本初始学习率0.001。如果你的机器是CPU把--batch-size降到32或16否则一次前向传播太慢。如果训练过程验证loss震荡把--lr降到0.0005。训练脚本内部的PyTorch训练循环长这样for epoch in range(epochs): model.train() total_loss 0 for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) # 前向传播 loss criterion(pred, yb) loss.backward() # 反向传播 optimizer.step() # 更新参数 total_loss loss.item() val_loss evaluate(model, val_loader) print(fepoch {epoch} | train loss {total_loss / len(train_loader):.4f} | val loss {val_loss:.4f})这段代码是标准的PyTorch训练三步曲清零梯度、前向计算loss、反向传播并更新。新手最容易漏的是optimizer.zero_grad()如果不清零梯度会在每轮之间累积loss曲线会莫名其妙地上下跳动。关于损失函数交通流量预测源码里常见三种MSELoss、L1Loss、HuberLoss。MSELoss对峰值敏感晚高峰一个极端值就会让loss变得巨大L1Loss对所有误差一视同仁训练更稳但梯度恒定HuberLoss是两者结合误差小时用MSE误差大时用L1是时序预测里最推荐的选择。我一般会先看源码默认用哪个如果是MSELoss且训练loss剧烈震荡改成HuberLoss往往立刻见效。评估阶段不要只看一个loss值。至少要计算三个指标MAE、RMSE、MAPE。后面第四章会详细讲怎么读这三个指标这里只要知道训练脚本输出的val loss是优化目标评估脚本输出的mae/rmse/mape才是业务指标。两者可能不对齐比如源码用MSE做loss评估时却给你打MAPE分这是正常的。4. 预测质量取决于这三个关键参数窗口长度、学习率与评价指标4.1 滑动窗口长度不是越长越好很多新手以为输入的历史数据越多模型越聪明于是把seq_len从12调到96甚至288。实际跑下来会发现训练时间翻倍效果反而变差。原因是交通流量有强周期性模型并不需要看一整天的数据才能预测下一个5分钟。交通流量最明显的周期是日周期24小时和周周期7天。以5分钟粒度计算一天有288个时间步一周有2016个。如果seq_len288模型要看整整一天的流量才能预测下个时刻这既浪费算力又让LSTM在反传播时面临更严重的梯度消失。实践里覆盖“早高峰前一个平峰”的窗口通常已经足够。常见做法是24到48个时间步也就是2到4小时。我做过一个简单的对比实验同一份数据seq_len12时验证MAPE稳定在12%左右调到48后下降到10.5%再调到96训练时间涨了约2.5倍MAPE反而回升到11%。这说明窗口超过某个阈值后模型开始记住一些没有规律的长期噪声。如果你想快速验证就分别跑seq_len12, 24, 48, 96四组实验看验证集MAPE的拐点在哪。这个拐点就是你这份数据的最优窗口。另外seq_len还要和pred_len联动。如果pred_len12预测未来1小时seq_len12就太短了模型只看了过去1小时很难捕捉到未来1小时的高峰趋势。常见经验是预测长度越长输入窗口也要适当延长至少是预测长度的2到4倍。4.2 学习率与批次大小训练稳定的两个旋钮学习率是时序预测里最影响训练稳定性的参数。设大了loss曲线在早期就震荡甚至爆掉设小了模型学得慢50轮跑完验证loss还在缓慢下降。我一般在LSTM项目里用AdamW 余弦退火 梯度裁剪这个组合它是目前最稳的配方。import torch optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_maxepochs) torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) # 训练循环内每次迭代后更新学习率 for epoch in range(epochs): for xb, yb in train_loader: optimizer.zero_grad() pred model(xb) loss criterion(pred, yb) loss.backward() # 梯度裁剪必须在 backward 之后、 step 之前 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() scheduler.step()参数说明lr1e-3是AdamW在浅层LSTM上的常用初始值weight_decay1e-4是L2正则防止参数过大T_maxepochs表示学习率在一个训练周期内从1e-3余弦衰减到接近0max_norm5.0是梯度范数的上限超过5就截断。梯度裁剪的作用是防止个别异常样本产生巨大梯度导致loss突然爆炸这在流量尖峰时段非常常见。批次大小也需要配合窗口长度调整。seq_len越大每个样本占用的内存越多batch_size就得调小。一个可参考的对应关系是seq_len12时batch_size64seq_len48时batch_size32seq_len96时batch_size16。如果显存或内存不够优先降batch_size不要降seq_len因为窗口长度对预测效果的影响比批次大小更大。新手经常在这个阶段来回改参数却忘了看验证集曲线。我的习惯是每改一个参数只跑20个epoch看趋势不要等50轮跑完才判断。如果前10个epoch的验证loss在下降说明参数基本可用如果验证loss从第5轮就开始上升那就是过拟合或学习率过大立刻停下调整。4.3 读懂评价指标MAE、RMSE、MAPE怎么交叉看训练脚本最后通常会输出三项指标但新手往往只看一个MAE就得出结论。实际上这三个指标是从不同角度描述误差的必须交叉着看。MAE平均绝对误差误差的平均绝对值单位与流量相同。它最直观但看不出极端错误的影响。RMSE均方根误差大误差的惩罚更重。如果RMSE明显大于MAE说明你的预测在某些时间点上有严重的偏离这些点通常是早晚高峰的突变段。MAPE平均百分比误差相对误差的百分比。它最容易在流量接近0时爆炸凌晨2点真实流量为10辆车你预测11辆误差10%如果真实流量为2辆你预测3辆误差就是50%。我见过最典型的误判某个模型MAE只有25 veh/h看起来不错但MAPE高达35%。原因是夜间低流量时段的相对误差被MAPE放大。判断模型好坏时我会按业务场景给不同指标加权如果关注早晚高峰拥堵重点看RMSE如果关注全天平均准确度重点看MAE如果关注系统在低流量时段是否误报则必须看MAPE。更细一点的做法是分时段计算指标把测试集按小时分组分别输出早高峰7-9点、晚高峰17-19点、夜间0-5点的MAE和MAPE。很多源码没有这个功能你可以自己加几行groupby代码。这样你才能知道模型到底是在哪个时段崩掉的而不是被整体平均值掩盖。5. 复现源码的5个高频翻车点现象、原因与解决办法5.1 时间序列数据被随机打乱训练误差极低、测试误差极高现象训练集loss降到0.01验证集loss高达0.3曲线完全对不上画出来的测试集预测值比真实值滞后好几个时间步。原因源码或新手在切分样本后调用了np.random.shuffle把时间顺序打乱了。模型在训练时看到的是“未来的数据”测试时被迫回到正常时间顺序自然崩溃。解决按时间顺序切分前70%训练、后10%验证、最后20%测试。如果希望验证集更稳定可以用sklearn.model_selection.TimeSeriesSplit做交叉验证但入门阶段直接前切分就够了。检查源码时重点搜shuffle和random_split凡是出现在时间序列代码里的shuffle都需要警惕。另一个相关坑是DataLoader里shuffleTrue在训练循环中如果加载的是原始时间序列而不是样本那也要改成shuffleFalse。5.2 归一化后忘记还原预测值全在0到1之间现象预测曲线看起来形状是对的但纵轴坐标全是0到1的小数跟真实交通流量的几百上千完全对不上用测试集评估MAE指标也小得离谱。原因训练前用MinMaxScaler把数据压到0-1区间预测时又直接拿反归一化后的输出画图或者更糟的是用整体数据fit了scaler信息泄漏。解决严格按“先fit训练集再transform验证集和测试集”的流程做。预测完成后调用scaler.inverse_transform(pred)把结果还原为真实单位。这里有一个常见细节如果scaler是按二维矩阵(time_steps, num_nodes)拟合的预测时的三维张量先reshape成二维再反变换最后再reshape回预测形状。忘记reshape会导致维度错乱报错还好不报错时还原出的数值是完全乱的。5.3 连续缺失值用前向填充预测曲线出现“平台段”现象训练和验证loss都正常但画测试集曲线时发现某些时段预测值是一条直线正好对应当前时刻之前的缺失数据段。原因数据预处理里用了df.ffill()当某检测器断电或通信故障时原始数据出现几个小时的空缺前向填充把这几个小时代成了恒定值。模型学到“如果输入一直是常数输出也应该是常数”。解决处理缺失值时先统计连续缺失长度。缺失点少于3个的用前后时刻的平均值插值连续缺失超过3个的直接把这几个时间步从样本里剔除如果某列缺失率超过10%直接删除该检测器。另外可以在样本生成函数里加一个判断如果输入窗口内缺失比例超过阈值就丢弃这个样本防止模型学到错误映射。5.4 多步预测时用了teacher forcing测试时误差扩散现象训练时每一步预测都很准验证集单步预测误差小但一旦改成多步预测pred_len12误差随预测步长快速放大到第12步已经完全跟不上真实趋势。原因源码在训练时把真实标签作为下一步的输入teacher forcing模型学会了依赖真实值测试时没有真实值只能把上一步的预测结果喂回去误差逐级累积。这是多步预测的常见问题不是模型bug。解决检查源码里解码器部分的输入是不是来自真实标签。如果是最简单的方式是多步预测时用“并行解码”——模型一次输出所有未来步而不是逐步递归或者用scheduled sampling在训练过程中按一定概率用模型自己的预测替换真实值。入门阶段我建议先把pred_len设回1跑通单步预测再考虑多步。直接一上来调多步错误来源太多你根本分不清是模型问题还是策略问题。5.5 模型输出形状与标签形状不一致报错RuntimeError现象训练循环第一轮就报RuntimeError: expected shape ...通常是[batch_size, seq_len, hidden_size]和[batch_size, pred_len, num_nodes]对不上。原因LSTM的输出默认返回全部时间步的隐藏状态形状是[batch_size, seq_len, hidden_size]。新手直接接了一个nn.Linear(hidden_size, 1)全连接层把每个时间步都映射到了1个值最后得到[batch_size, seq_len, 1]但标签是[batch_size, pred_len, num_nodes]两者形状完全错位。解决在LSTM后只取最后一个时间步的输出再经过全连接层import torch.nn as nn class TrafficLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, pred_len, num_nodes): super().__init__() self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_size, pred_len * num_nodes) self.pred_len pred_len self.num_nodes num_nodes def forward(self, x): # x: (batch_size, seq_len, input_size) out, _ self.lstm(x) # out: (batch_size, seq_len, hidden_size) last out[:, -1, :] # 取最后一个时间步: (batch_size, hidden_size) y self.fc(last) # (batch_size, pred_len * num_nodes) return y.view(-1, self.pred_len, self.num_nodes)这段代码的关键在out[:, -1, :]只取最后一个时间步的隐藏状态舍弃中间状态。如果你的input_size不是1例如同时输入流量、星期、小时记得在数据预处理时把特征拼接到最后一个维度。出现形状报错时不要急着改网络结构先在每个模块后打印x.shape定位到是LSTM输出的问题还是全连接层输出的问题。6. 从loss到业务画预测曲线并验证泛化能力训练完模型只完成了一半真正让你对结果有信心的是把预测曲线和真实流量画在同一张图上分时段观察。我一般会用Matplotlib画两个图第一个是连续72小时的真实值与预测值对比看整体趋势是否贴合第二个是某个早高峰时段的放大图看模型在流量快速上升时是滞后还是超前。滞后在交通预测里很常见如果预测曲线比真实曲线整体右移说明模型基本在“记住上一刻流量”并没有学到变化趋势。这时候调大seq_len或换用带注意力机制的模型会有帮助。泛化验证是另一个容易被跳过但很重要的步骤。如果源码附带了多个传感器的数据我会选一个完全没参与训练的传感器做测试观察指标是否明显变差。如果从训练集的6%涨到新传感器的18%说明模型过拟合到了特定路段的数值分布如果只涨到8%说明模型学到的是通用交通规律。更进一步把模型放到另一个时间段的数据上测试比如拿7月训练、8月测试能看出模型对季节变化的敏感度。我自己的习惯是保留一个“只准跑一次”的测试集。训练和调参过程中绝不去碰它所有模型选择都用验证集等所有超参数确定后才在测试集上跑最终评估。这样得到的指标才是真实可部署的指标。可惜很多新手的做法是在测试集上反复调参导致测试指标被“看”了很多次失去泛化意义。做完这一步你的入门阶段就结束了。后续如果想在这个方向继续深入可以从三个方向升级第一把LSTM换成图卷积把邻接矩阵用起来捕捉路段之间的空间关联第二加入天气、节假日、事件等外部特征第三从单步预测改成多步预测并尝试seq2seq结构。这些升级都有成熟的开源实现可以对照但前提是你已经把手里这份源码的每一行数据流都吃透了。回头看我自己的第一个交通预测项目最大的教训是花了一周时间调模型最后发现数据预处理里有一个多小时的时间偏移没处理所有指标都建立在错误的对齐上。从那以后我拿到任何源码都先跑通最小命令再打印中间张量形状最后才碰模型结构。希望这套流程对你也有帮助。本文还有配套的精品资源点击获取