该交通数据集来源于PeMS网站，包含圣贝纳迪诺市（美国加利福尼亚州南部一座城市）8条高速公路1979个探测器，2016年7月1日至2016年8月31日这2个月的数据。这些传感器每5分钟收集一次数据，包含1979个所有的传感器每5分钟经过的车辆数。 数据集 节点 特征数 时长 时间窗口 PeMSD8 107 3 61天 5min 此外本数据集还包含一个3*107的邻接矩阵文件，该数据表示了107个路口之间的相邻情况(即连通性) 以及节点之间的距离。 可用于交通流量预测、交通速度预测、交通拥堵情况预测、交通信号灯绿信比条件、时间序列分析、时空序列分析

该交通数据集来源于PeMS网站，包含旧金山湾区（美国加尼福尼亚州旧金山大湾区）29条高速公路3848个探测器，2018年1月1日至2018年2月28日这2个月的数据。这些传感器每5分钟收集一次数据，包含3848个所有的传感器每5分钟经过的车辆数。 数据集 节点 特征数 时长 时间窗口 PeMSD4 307 3 59天 5min 此外本数据集还包含一个307*307的邻接矩阵文件，该数据表示了307个路口之间的相邻情况(即连通性) 以及节点之间的距离。 可用于交通流量预测、交通速度预测、交通拥堵情况预测、交通信号灯绿信比条件、时间序列分析、时空序列分析

在本次西南交通大学无线通信网络仿真的期末课程设计中，学生将深入学习并实践无线通信网络的基本原理、模型和分析方法。通信工程是一门广泛的学科，它涵盖了从信号传输到网络架构的众多领域。通过仿真，学生可以理解并掌握无线通信网络的运行机制，提高其在实际问题中的解决能力。 无线通信网络的基础知识是必不可少的。这包括无线通信的基本概念，如无线电波的传播特性、调制与解调技术以及信道编码。无线通信网络主要由天线系统、发射机、接收机和信道组成，这些部分的工作原理需要有深入的理解。在仿真中，学生可能需要使用像Matlab或NS-3这样的工具来模拟信号在不同环境下的传播效果，研究衰减、多径效应和干扰等因素对通信质量的影响。 无线网络的拓扑结构是另一个关键点。学生需要了解点对点、多点接入（如Wi-Fi）、蜂窝网络（如4G/5G）等不同的网络架构。在仿真过程中，学生会设置和调整网络参数，如基站的覆盖范围、用户设备的分布密度以及频谱资源分配策略，以观察网络性能的变化。 此外，无线通信网络中的协议也是重点学习内容。例如，TCP/IP协议族在无线网络中的应用，包括物理层、数据链路层、网络层和传输层的功能。学生需要理解每个协议的作用，如ARP、IP、TCP和UDP，并在仿真中模拟它们的交互过程。对于无线网络，MAC层的CSMA/CD或CSMA/CA协议以及路由协议（如RIP、OSPF）的实现也非常重要。 再者，无线通信网络的性能评估是课程设计的重要环节。这涉及到吞吐量、延迟、丢包率、覆盖率和能量效率等关键指标的计算。学生需要学会如何在仿真环境中设置合适的性能度量，以评估不同网络配置的效果。 安全性和可靠性是无线通信网络不可忽视的部分。学生需要考虑加密算法、身份验证机制以及抗干扰策略，以确保无线通信的安全。在仿真中，可能会模拟各种攻击场景，比如窃听、欺骗和拒绝服务攻击，以测试网络的安全性。 西南交通大学的无线通信网络仿真期末课程设计旨在通过理论与实践相结合的方式，使学生全面掌握无线通信网络的原理和技术，为未来从事相关工作或研究打下坚实基础。通过这个过程，学生们不仅能够深化对通信工程的理解，还能提升解决实际问题的能力。

一、关联仓库 品达物流-通用权限：https://gitee.com/itxinfei/pinda-authority 品达物流-集信达：https://gitee.com/itxinfei/jixinda.git 二、项目介绍 本项目名称为品达物流TMS，TMS全称为：Transportation Management System，即运输管理系统，是对运输作业从运力资源准备到最终货物抵达目的地的全流程管理。 TMS系统适用于运输公司、各企业下面的运输队等，它主要包括订单管理、配载作业、调度分配、行车管理、GPS车辆定位系统、车辆管理、线路管理、车次管理、 人员管理、数据报表、基本信息维护等模块。该系统对车辆、驾驶员、线路等进行全面详细的统计考核，能大大提高运作效率，降低运输成本，使公司能够在激烈的市场竞争中处于领先地位。 本项目从用户层面可以分为四个端：TMS后台系统管理端、客户端App、快递员端App、司机端App。 TMS后台系统管理端：公司内部管理员用户使用，可以进行基础数据维护、订

1. 手动实现循环神经网络RNN，并在至少一种数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 2. 使用torch.nn.rnn实现循环神经网络，并在至少一种数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 3. 不同超参数的对比分析（包括hidden_size、batchsize、lr等）选其中至少1-2个进行分析 4. 用户签到数据实验的难度会稍高一些，若在实验中选用，可酌情加分 5. 手动实现LSTM和GRU并在至少一种数据集进行试验分析 （平台课同学选做，专业课同学必做） 6. 使用torch.nn实现LSTM和GRU并在至少一种数据集进行试验分析 （平台课同学选做，专业课同学必做） 7. 设计实验，对比分析LSTM和GRU在相同数据集上的结果。

二维卷积实验（平台课与专业课要求相同） 1.手写二维卷积的实现，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 2.使用torch.nn实现二维卷积，并在至少一个数据集上进行实验，从训练时间、预测精度、Loss变化等角度分析实验结果（最好使用图表展示） 3.不同超参数的对比分析（包括卷积层数、卷积核大小、batchsize、lr等）选其中至少1-2个进行分析 4.使用PyTorch实现经典模型AlexNet并在至少一个数据集进行试验分析 （平台课同学选做，专业课同学必做）（无GPU环境则至少实现模型） 5.使用实验2中的前馈神经网络模型来进行实验，并将实验结果与卷积模型结果进行对比分析（选作） 空洞卷积实验（专业课） 1.使用torch.nn实现空洞卷积，要求dilation满足HDC条件（如1,2,5）且要堆叠多层并在至少一个数据集上进行实验，从训练时间、预测精度、Loss 2.变化等角度分析实验结果（最好使用图表展示）将空洞卷积模型的实验结果与卷积模型的结果进行分析比对...... 残差网络实验（专业课） 1.实现给定 2.

1.手动实现前馈神经网络解决上述回归、二分类、多分类任务 分析实验结果并绘制训练集和测试集的loss曲线 2.利用torch.nn实现前馈神经网络解决上述回归、二分类、多分类任务 分析实验结果并绘制训练集和测试集的loss曲线 3.在多分类实验的基础上使用至少三种不同的激活函数 对比使用不同激活函数的实验结果 4.对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响 使用不同的隐藏层层数和隐藏单元个数，进行对比实验并分析实验结果 5.在多分类任务实验中分别手动实现和用torch.nn实现dropout 探究不同丢弃率对实验结果的影响（可用loss曲线进行展示） 6.在多分类任务实验中分别手动实现和用torch.nn实现L2正则化 探究惩罚项的权重对实验结果的影响（可用loss曲线进行展示） 7.对回归、二分类、多分类任务分别选择上述实验中效果最好的模型，采用10折交叉验证评估实验结果 要求除了最终结果外还需以表格的形式展示每折的实验结果

西南交通大学计算机考研资料

交通大模型与时序大模型是现代信息技术在交通物流领域中的重要应用，特别是在人工智能技术的推动下，这些模型已经成为解决复杂交通问题的有效工具。本开源代码集合提供了相关算法和实现细节，帮助开发者理解和构建自己的交通预测与优化系统。 交通大模型通常涵盖了城市交通系统的各个方面，包括公共交通、私人车辆、行人流动等，通过集成大量的数据源（如GPS轨迹、交通监控、公交刷卡数据等）来构建一个全面的交通网络模型。这种模型能够模拟交通流的动态变化，分析交通拥堵的原因，预测未来交通状态，并为交通规划和管理提供决策支持。 时序大模型则专注于时间序列数据分析，尤其适用于处理具有明显时间依赖性的交通数据。它利用深度学习技术，如LSTM（长短期记忆网络）或Transformer架构，对历史交通流量进行建模，然后对未来时刻的交通状态进行预测。这样的模型对于实时交通流量预测、出行需求估计、交通信号控制优化等方面有着显著优势。 在压缩包文件中，"交通大模型"可能包含以下内容： 1. 数据预处理模块：用于清洗和格式化原始交通数据，如处理缺失值、异常值，将不同数据源的数据统一。 2. 网络结构定义：可能包括基于深度学习的模型代码，如LSTM或Transformer的实现，用于学习交通流的时空模式。 3. 训练与评估脚本：用于训练模型、调整参数、评估模型性能，可能包含交叉验证和性能指标计算。 4. 应用示例：展示如何将训练好的模型应用于实际交通问题，如交通流量预测、拥堵识别等。 5. 结果可视化：可能有代码帮助用户理解模型预测结果，如绘制交通流量图或热力图。 通过研究和实践这些开源代码，开发者可以深入理解交通模型的工作原理，学习如何处理大规模交通数据，以及如何构建和优化时序预测模型。这对于交通领域的研究者、数据科学家以及希望改善城市交通状况的工程师来说，都是极其宝贵的资源。同时，这也是推动人工智能在交通物流领域落地应用的重要一步，有助于提升城市交通效率，减少拥堵，提高市民出行体验。