[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hazdzz--stgcn":3,"tool-hazdzz--stgcn":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":90,"env_deps":92,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},8632,"hazdzz\u002Fstgcn","stgcn","The PyTorch implementation of STGCN.","stgcn 是一个基于 PyTorch 框架实现的时空图卷积网络开源项目，核心源自论文《Spatio-Temporal Graph Convolutional Networks》。它主要致力于解决交通流量预测中的关键难题：如何同时精准捕捉路网的空间拓扑结构（如路口间的连接关系）与时间序列上的动态变化规律。\n\n相较于传统方法，stgcn 的独特亮点在于完全摒弃了递归神经网络（RNN），转而采用纯卷积架构。通过巧妙结合图卷积（处理空间依赖）与门控时间卷积（处理时间依赖），它不仅大幅提升了预测精度，还显著提高了训练效率并降低了计算资源消耗。该项目在修复原始代码缺陷的基础上，额外集成了早停机制、Dropout 正则化等实用策略，并提供了针对 METR-LA 和 PEMS-BAY 等主流交通数据集的完整预处理方案及多种图卷积配置选项。\n\nstgcn 非常适合从事交通大数据分析的研究人员、需要构建高精度预测模型的算法工程师，以及对深度学习在图结构数据上应用感兴趣的开发者使用。无论是用于学术复现还是实际业务落地，它都为处理复杂的时空序列数据提供了一个高效、稳定且易于扩展的技术基准。","# Spatio-Temporal Graph Convolutional Networks\n[![issues](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fissues)\n[![forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fnetwork\u002Fmembers)\n[![stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fstargazers)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fhazdzz\u002FSTGCN)](.\u002FLICENSE)\n\n## About\nThe PyTorch implementation of STGCN from the paper *Spatio-Temporal Graph Convolutional Networks:\nA Deep Learning Framework for Traffic Forecasting*.\n\n## Paper\nhttps:\u002F\u002Farxiv.org\u002Fabs\u002F1709.04875\n\n## Citation\n```\n@inproceedings{10.5555\u002F3304222.3304273,\nauthor = {Yu, Bing and Yin, Haoteng and Zhu, Zhanxing},\ntitle = {Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting},\nyear = {2018},\nisbn = {9780999241127},\npublisher = {AAAI Press},\nbooktitle = {Proceedings of the 27th International Joint Conference on Artificial Intelligence},\npages = {3634–3640},\nnumpages = {7},\nseries = {IJCAI'18}\n}\n```\n\n## Related works\n1. TCN: [*An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.01271)\n2. GLU and GTU: [*Language Modeling with Gated Convolutional Networks*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.08083)\n3. ChebNet: [*Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n4. GCN: [*Semi-Supervised Classification with Graph Convolutional Networks*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n\n## Related code\n1. TCN: https:\u002F\u002Fgithub.com\u002Flocuslab\u002FTCN\n2. ChebNet: https:\u002F\u002Fgithub.com\u002Fmdeff\u002Fcnn_graph\n3. GCN: https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fpygcn\n\n## Dataset\n### Source\n1. METR-LA: [DCRNN author's Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1pAGRfzMx6K9WWsfDcD1NMbIif0T0saFC\u002Fview?usp=sharing)\n2. PEMS-BAY: [DCRNN author's Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wD-mHlqAb2mtHOe_68fZvDh1LpDegMMq\u002Fview?usp=sharing)\n3. PeMSD7(M): [STGCN author's GitHub repository](https:\u002F\u002Fgithub.com\u002FVeritasYin\u002FSTGCN_IJCAI-18\u002Fblob\u002Fmaster\u002Fdata_loader\u002FPeMS-M.zip)\n\n### Preprocessing\nUsing the formula from [ChebNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)：\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhazdzz_stgcn_readme_8885e74aad50.png\" style=\"zoom:100%\" \u002F>\n\n## Model structure\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhazdzz_stgcn_readme_6e41fda4f016.png\" style=\"zoom:100%\" \u002F>\n\n## Differents of code between mine and author's\n1. Fix bugs \n2. Add Early Stopping approach\n3. Add Dropout approach\n4. Offer a different set of hyperparameters\n5. Offer config files for two different categories graph convolution (ChebyGraphConv and GraphConv)\n6. Add datasets METR-LA and PEMS-BAY\n7. Adopt a different data preprocessing method\n\n## Requirements\nTo install requirements:\n```console\npip3 install -r requirements.txt\n```\n","# 空间-时间图卷积网络\n[![issues](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fissues)\n[![forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fnetwork\u002Fmembers)\n[![stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fhazdzz\u002FSTGCN)](https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN\u002Fstargazers)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fhazdzz\u002FSTGCN)](.\u002FLICENSE)\n\n## 关于\n这是论文《空间-时间图卷积网络：一种用于交通预测的深度学习框架》中STGCN的PyTorch实现。\n\n## 论文\nhttps:\u002F\u002Farxiv.org\u002Fabs\u002F1709.04875\n\n## 引用\n```\n@inproceedings{10.5555\u002F3304222.3304273,\nauthor = {Yu, Bing and Yin, Haoteng and Zhu, Zhanxing},\ntitle = {Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting},\nyear = {2018},\nisbn = {9780999241127},\npublisher = {AAAI Press},\nbooktitle = {Proceedings of the 27th International Joint Conference on Artificial Intelligence},\npages = {3634–3640},\nnumpages = {7},\nseries = {IJCAI'18}\n}\n```\n\n## 相关工作\n1. TCN：[*序列建模中通用卷积和循环网络的实证评估*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.01271)\n2. GLU和GTU：[*基于门控卷积网络的语言建模*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.08083)\n3. ChebNet：[*具有快速局部化谱滤波的图卷积神经网络*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n4. GCN：[*基于图卷积网络的半监督分类*](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n\n## 相关代码\n1. TCN：https:\u002F\u002Fgithub.com\u002Flocuslab\u002FTCN\n2. ChebNet：https:\u002F\u002Fgithub.com\u002Fmdeff\u002Fcnn_graph\n3. GCN：https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fpygcn\n\n## 数据集\n### 来源\n1. METR-LA：[DCRNN作者的Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1pAGRfzMx6K9WWsfDcD1NMbIif0T0saFC\u002Fview?usp=sharing)\n2. PEMS-BAY：[DCRNN作者的Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1wD-mHlqAb2mtHOe_68fZvDh1LpDegMMq\u002Fview?usp=sharing)\n3. PeMSD7(M)：[STGCN作者的GitHub仓库](https:\u002F\u002Fgithub.com\u002FVeritasYin\u002FSTGCN_IJCAI-18\u002Fblob\u002Fmaster\u002Fdata_loader\u002FPeMS-M.zip)\n\n### 预处理\n使用来自[ChebNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)的公式：\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhazdzz_stgcn_readme_8885e74aad50.png\" style=\"zoom:100%\" \u002F>\n\n## 模型结构\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhazdzz_stgcn_readme_6e41fda4f016.png\" style=\"zoom:100%\" \u002F>\n\n## 我的代码与作者代码的不同之处\n1. 修复了错误\n2. 添加了早停法\n3. 添加了Dropout方法\n4. 提供了一组不同的超参数\n5. 提供了两种不同类型的图卷积配置文件（ChebyGraphConv和GraphConv）\n6. 增加了METR-LA和PEMS-BAY数据集\n7. 采用了不同的数据预处理方法\n\n## 需求\n安装依赖项：\n```console\npip3 install -r requirements.txt\n```","# STGCN 快速上手指南\n\n本指南基于 PyTorch 实现的时空图卷积网络（STGCN），主要用于交通流量预测任务。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.6+\n- **核心框架**：PyTorch\n- **其他依赖**：详见项目根目录下的 `requirements.txt`\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速 pip 安装，例如在后续安装命令中添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`。\n\n## 安装步骤\n\n1. 克隆项目代码到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fhazdzz\u002FSTGCN.git\n   cd STGCN\n   ```\n\n2. 安装所需依赖包：\n   ```bash\n   pip3 install -r requirements.txt\n   ```\n   \n   *（国内加速版）*\n   ```bash\n   pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **数据准备**：\n   本项目支持 METR-LA、PEMS-BAY 和 PeMSD7(M) 数据集。需手动下载数据并放置于指定目录（参考 README 中的 Dataset 部分）。\n   \n   数据预处理采用 ChebNet 公式计算加权邻接矩阵，请确保数据格式符合模型输入要求。\n\n## 基本使用\n\n以下是最简单的训练与评估流程示例（具体脚本名称请以仓库实际文件为准，通常为 `main.py` 或类似入口）：\n\n1. **配置参数**：\n   修改项目提供的配置文件（如 `config_peaks.py` 或 `.yaml` 文件），设置数据集路径、图卷积类型（`ChebyGraphConv` 或 `GraphConv`）及超参数。\n\n2. **启动训练**：\n   ```bash\n   python main.py --config config\u002Fmetrla_config.py --mode train\n   ```\n\n3. **模型评估**：\n   训练完成后，使用保存的模型权重进行预测评估：\n   ```bash\n   python main.py --config config\u002Fmetrla_config.py --mode eval --weights logs\u002Fbest_model.pth\n   ```\n\n> **注意**：该实现相比原论文代码增加了早停（Early Stopping）、Dropout 机制，并修复了部分 Bug，支持更多数据集和图卷积变体。","某智慧城市交通团队正利用历史传感器数据，构建下一代实时路况预测系统以优化信号灯配时。\n\n### 没有 stgcn 时\n- **空间关系缺失**：传统时间序列模型（如 LSTM）仅将各路口视为独立个体，无法捕捉路网中相邻路段的拥堵传导效应。\n- **长程依赖失效**：面对早晚高峰等长周期波动，递归神经网络容易出现梯度消失，导致对未来 30 分钟以上的路况预测偏差极大。\n- **动态响应滞后**：模型难以处理突发的交通事故或天气变化，预测结果往往滞后于实际路况，导致调度指令失去时效性。\n- **计算资源浪费**：为了勉强拟合时空特征，不得不堆叠复杂的预处理规则和庞大的模型参数，训练耗时且维护困难。\n\n### 使用 stgcn 后\n- **时空联合建模**：stgcn 通过图卷积网络天然地将路网拓扑结构融入计算，精准量化了上游路口拥堵对下游的实时影响。\n- **高效长序捕捉**：借助门控时序卷积机制，stgcn 在无递归结构下有效提取长距离时间依赖，显著提升了长期预测的准确度。\n- **实时动态推演**：模型能快速适应输入数据的动态变化，在突发拥堵发生初期即可输出准确的演化趋势，辅助即时决策。\n- **架构简洁高效**：基于 PyTorch 的模块化实现支持早停和 Dropout 策略，在减少超参数调优工作量的同时，大幅缩短了模型训练周期。\n\nstgcn 通过将路网结构与时间演变深度耦合，解决了传统方法“只见时间不见空间”的核心痛点，让交通预测从单点估算升级为全网协同的智能推演。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhazdzz_stgcn_171877aa.png","hazdzz","Chieh Chang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhazdzz_bcf130b4.jpg","The only thing we have to fear is fear itself - nameless, unreasoning, unjustified terror which paralyzes needed efforts to convert retreat into advance.","National Central University","Taiwan","raphaelpeo@gmail.com",null,"https:\u002F\u002Fgithub.com\u002Fhazdzz",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,669,129,"2026-04-15T13:49:34","LGPL-2.1","未说明","未说明 (基于 PyTorch 实现，通常建议使用支持 CUDA 的 NVIDIA GPU 以加速训练，但 README 未指定具体型号或显存要求)",{"notes":93,"python":94,"dependencies":95},"README 中未列出具体的依赖库版本清单，仅提示通过 'pip3 install -r requirements.txt' 安装。该项目是论文《Spatio-Temporal Graph Convolutional Networks》的 PyTorch 复现版本，主要用于交通流量预测。代码包含了早期停止（Early Stopping）和 Dropout 等改进，并提供了 METR-LA 和 PEMS-BAY 数据集的支持。由于依赖文件内容未在文本中展示，具体版本需查看原仓库中的 requirements.txt 文件。","未说明 (需支持 pip3 及 PyTorch 的版本)",[96,97,98,99,100],"torch","numpy","pandas","scipy","matplotlib",[14],[103,104,105,106,107],"pytorch","gcn","tcn","road-traffic-prediction","gnn","2026-03-27T02:49:30.150509","2026-04-18T02:22:10.786437",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},38657,"PEMSD7-M 数据集的邻接矩阵（adj_mat.csv）与 STGCN 原作者提供的数据不一致，是如何预处理的？","维护者表示直接使用了原作者提供的数据。如果与论文描述不符，建议咨询原作者。此外，有用户补充指出，在计算时使用阈值 k=0.1 似乎能与 adj.npz 文件对应上。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},38658,"使用原始 PEMS-BAY\u002FMETR-LA 数据训练时损失值异常（如接近 0 或负数），而使用仓库提供的版本则正常，原因是什么？","原因是原代码对训练的真实值（ground true `y_true`）进行了 transform，而在计算指标时又对其进行了 inverse_transform，这改变了 `y_true` 的实际值（例如 0 变成了极小值或负数），导致 MAPE 等指标计算出错。\n解决方案是修改三处代码：\n1. `dataloader.py`：加载数据时不对 `y_true` 进行处理，保持原样。\n2. `utility.py`：计算指标时不对 `y_true` 进行 inverse_transform，而是对预测值 `y_pred` 进行 inverse_transform 后再与 `y_true` 计算。\n3. `main.py`：在预测和验证环节做相应调整。\n同时，计算指标时应采用 masked 策略处理特殊的 0 值，避免除数为 0（可参考 GraphWaveNet 的实现）。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F12",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},38659,"代码中对每个节点跨时间步进行 Z-score 标准化，是否会丢失空间信息？","不会丢失空间信息。Z-score 标准化是时间序列预测模型中的常用方法。虽然标准化是在时间维度上对每个节点进行的（使每个节点的时间序列均值为 0，标准差为 1），但这并不会消除节点之间的空间差异（即不同节点之间的数值关系依然存在）。用户担心的极端情况（所有节点在所有时间步数值完全相同）在现实数据中几乎不会发生。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F10",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},38660,"参数 n_hist、n_pred 和 K_t 之间有什么关系？如何配置以适应不同时间间隔的数据集？","n_hist 必须大于或等于 n_pred。\n- n_hist：表示用于训练的历史时间步数量。\n- n_pred：表示模型需要输出的未来时间步数量。\n- K_t：表示时间卷积的卷积核数量。\n举例：如果时间间隔为 5 分钟，设置 n_hist=12, n_pred=3，意味着输入过去 60 分钟（12*5）的数据，模型预测未来 15 分钟（3*5）的数据。\n对于不同时间间隔的数据集（如 60 分钟间隔），请参考仓库中为不同数据集编写的配置文件（config files）进行调整。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F5",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},38661,"将图结构矩阵（gso）改为全零矩阵对结果影响不大，是否说明邻接矩阵的学习是无效的？","这种情况可能特定于某些实验设置或数据集，但不代表邻接矩阵学习普遍无效。维护者建议，如果是为了完成毕业设计或探索其他可能性，不必局限于 STGCN 模型，可以尝试运行其他类型的模型，如基于 RNN、Transformer 或 TCN 的模型，这些模型在很多任务上也有很好的表现。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F32",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},38662,"训练过程中前几十轮速度很快，但随后单轮计算时间激增（从秒级变为小时级），是什么原因？","根据该 Issue 的后续反馈，这通常不是代码本身的普遍问题，而是用户自身设备环境的问题（如内存泄漏、GPU 显存不足导致交换、或其他后台进程干扰）。提出该问题的用户最终确认是其自己设备的问题并已解决。如果遇到类似情况，建议检查硬件资源监控和设备状态。","https:\u002F\u002Fgithub.com\u002Fhazdzz\u002Fstgcn\u002Fissues\u002F28",[]]