Graph WaveNet实战：从环境配置到模型训练全流程解析

1. Graph WaveNet环境配置指南

第一次接触Graph WaveNet时，最让人头疼的就是环境配置问题。记得我第一次在Colab上尝试运行这个项目时，明明按照文档操作却频频报错，光是解决Python版本和PyTorch兼容性问题就花了整整一个下午。下面把我踩过的坑和解决方案完整分享给大家。

1.1 基础环境搭建

在Colab上配置Python 3.6环境需要特殊技巧，因为默认环境已经是Python 3.7+。经过多次尝试，我发现最稳定的组合是：

bash复制%%bash
MINICONDA_INSTALLER_SCRIPT=Miniconda3-4.5.4-Linux-x86_64.sh
MINICONDA_PREFIX=/usr/local
wget https://repo.continuum.io/miniconda/$MINICONDA_INSTALLER_SCRIPT
chmod +x $MINICONDA_INSTALLER_SCRIPT
./$MINICONDA_INSTALLER_SCRIPT -b -f -p $MINICONDA_PREFIX

安装完成后，需要确认环境变量是否生效：

bash复制!which python
!python --version

如果显示还是系统默认的Python版本，可以尝试手动添加路径：

python复制import sys
sys.path.append("/usr/local/lib/python3.6/site-packages")

1.2 关键依赖安装

PyTorch版本的选择直接影响模型能否正常运行。经过测试，torch==1.10.2与Python 3.6的兼容性最好：

bash复制!pip install torch==1.10.2+cpu -f https://download.pytorch.org/whl/torch_stable.html

如果是GPU环境，建议使用：

bash复制!pip install torch==1.10.2+cu113 -f https://download.pytorch.org/whl/torch_stable.html

其他必备依赖包括：

bash复制!pip install numpy pandas matplotlib scipy tables

特别注意：h5py的版本不能太高，建议锁定在2.10.0，否则读取数据时会报错。

2. 数据准备与处理

2.1 获取原始数据

Graph WaveNet需要使用DCRNN项目中的METR-LA数据集。直接从GitHub克隆仓库：

bash复制!git clone https://github.com/liyaguang/DCRNN.git

关键数据文件路径：

• 交通数据：/DCRNN-master/data/metr-la.h5
• 图结构数据：/DCRNN-master/data/sensor_graph/adj_mx.pkl

2.2 数据预处理

运行数据生成脚本时要注意输出目录的权限问题：

python复制!python generate_training_data.py \
    --output_dir=data/METR-LA \
    --traffic_df_filename=../DCRNN-master/data/metr-la.h5

常见问题排查：

1. 如果报错"Permission denied"，尝试先创建目录：!mkdir -p data/METR-LA
2. 遇到h5py版本不兼容时，可以降级到2.10.0
3. Windows用户注意路径斜杠方向，建议统一使用正斜杠"/"

2.3 理解数据格式

数据集包含三个关键部分：

1. 训练数据 (train.npz)
   • x: 形状为(23974, 12, 207, 2)的numpy数组
   • y: 形状为(23974, 12, 207, 2)的numpy数组
2. 验证数据 (val.npz)
3. 测试数据 (test.npz)

数据标准化处理在load_dataset函数中完成，使用StandardScaler对特征维度进行归一化。

3. 模型训练详解

3.1 启动训练脚本

正确的训练命令应该包含所有必要参数：

bash复制!python train.py \
    --adjdata ../DCRNN-master/data/sensor_graph/adj_mx.pkl \
    --data data/METR-LA \
    --device cuda:0 \
    --gcn_bool \
    --addaptadj \
    --epochs 100

关键参数解析：

• --gcn_bool: 启用图卷积层
• --addaptadj: 使用自适应邻接矩阵
• --aptonly: 仅使用自适应邻接矩阵(无预定义图)
• --randomadj: 随机初始化邻接矩阵

3.2 训练过程监控

在engine.py中，训练循环主要包含以下步骤：

python复制for epoch in range(epochs):
    model.train()
    for x, y in train_loader:
        optimizer.zero_grad()
        output = model(x)
        loss = criterion(output, y)
        loss.backward()
        optimizer.step()

重要提示：如果发现loss不下降，可以尝试：

1. 调整学习率(默认0.001)
2. 检查梯度裁剪参数(默认5.0)
3. 验证数据标准化是否正确

3.3 模型保存与加载

模型会自动保存到指定路径：

python复制torch.save(model.state_dict(), f"{save_path}_epoch_{epoch}.pth")

加载最佳模型进行测试：

python复制model.load_state_dict(torch.load(best_model_path))
model.eval()
with torch.no_grad():
    predictions = model(test_data)

4. 常见问题解决方案

4.1 典型错误排查

错误1：Expected 2D (unbatched) or 3D (batched) input to conv1d

解决方案：

1. 确认Python版本为3.6
2. 检查PyTorch版本是否为1.10.2
3. 验证输入数据维度是否正确

错误2：KeyError: 'scaler'

解决方法：

1. 确保data目录包含完整的train/val/test.npz文件
2. 检查StandardScaler是否正常初始化

4.2 性能调优技巧

1. 批量大小选择：
   • T4 GPU建议batch_size=64
   • V100可以尝试128或256
2. 学习率策略：

   python复制scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)
   

3. 混合精度训练：

   python复制scaler = torch.cuda.amp.GradScaler()
   with torch.cuda.amp.autocast():
       output = model(input)
       loss = criterion(output, target)
   scaler.scale(loss).backward()
   scaler.step(optimizer)
   scaler.update()
   

4.3 结果可视化

训练完成后，可以使用以下代码绘制预测效果：

python复制import matplotlib.pyplot as plt

plt.figure(figsize=(15,5))
plt.plot(real_values[:100,0,0], label='Ground Truth')
plt.plot(predictions[:100,0,0], label='Prediction')
plt.legend()
plt.show()

对于交通预测任务，重点关注以下指标：

• MAE (平均绝对误差)
• MAPE (平均绝对百分比误差)
• RMSE (均方根误差)

完整的训练过程通常需要2-4小时(T4 GPU)，建议使用Colab Pro以获得更稳定的GPU资源。如果训练中断，可以从最近的checkpoint恢复：

bash复制!python train.py --resume path/to/checkpoint.pth