Lesson 0003 · 约 15 分钟 · 可直接开工

TIID 今晚复现 + 明天进度汇报

目标不是「完美刷榜」，而是：跑通官方代码 / 对齐数据管线，并能在进度会上用 3 分钟讲清问题—方法—结果—局限—下一步。

Code: github.com/fanlixiang/IGSTGNN 上一课：原理速查表

技能目标：按清单完成「环境 → 数据 → 训练 → 最小验证」；同时备好汇报口播稿与 Q&A。

0. 今晚成功标准（写死）

仓库 clone 成功，Python 3.10/3.11 环境装上 requirements
Kaggle 数据就位 + prepare_splits.py 生成 train/val/test
至少在 Alameda 上启动训练（哪怕只跑 1–2 epoch 确认 loss 下降）
能指出代码里 TemporalIncidentImpactDecay 对应论文 Eq.14–16
准备好 3 分钟口播 + 已知局限（单事件 / 固定 σ / 无文本模态）

数据不在 GitHub 里。必须另下 Kaggle： Data for IGSTGNN。没数据就别硬训——先把「数据就绪」写进今晚进度。

1. 官方复现路径（命令级）

1.1 环境

conda create -n igstgnn python=3.10 pip -yconda activate igstgnngit clone https://github.com/fanlixiang/IGSTGNN.gitcd IGSTGNNpython -m pip install -r requirements.txtREADME 明确：未在 Python 3.12+ 验证；优先 3.10/3.11

1.2 数据布局

data/xtraffic/├── Alameda/│   ├── adj_matrix.npy│   ├── desc_mapping.json│   ├── incident_all.npy│   ├── incident_stats.npz│   ├── sensors.csv│   └── type_mapping.json├── Contra_Costa/└── Orange/下完后切分（确定性 70/15/15，不重归一化）：

python data/xtraffic/prepare_splits.py --dataset Alameda # -> incident_train.npy / incident_val.npy / incident_test.npy

1.3 训练（最小命令）

python experiments/IGSTGNN/main.py \  --device cuda:0 --dataset Alameda \  --model_name igstgnn --seed 2025 --bs 48 \  --incident --use_sensor_info # 或：bash experiments/IGSTGNN/run.sh无 GPU 改 --device cpu（会慢很多）。Orange 论文用 bs=24。

1.4 论文超参备忘

项	值
优化器	Adam, lr=0.002, early stop patience=20
batch	Alameda/CC=48, Orange=24
事件类型 / 描述 embedding	6 类→8 维；30 描述→32 维
ST 解耦块	5 层；节点/时间 emb dim=12
TIID σ_t	1.0 固定
任务	12→12（5min × 12 = 1h）
硬件（论文）	V100 32GB

2. 代码对照：TIID 在哪？

文件：src/models/igstgnn.py → 类 TemporalIncidentImpactDecay。逻辑与论文一一对应（你汇报时可投屏这几行）：

# 伪代码（与官方实现同构）time_steps = arange(1, T_p+1)omega = exp( -(time_steps**2) / (2 * sigma_t**2) )  # Eq.14C_temp = (C_init @ W_c) * omega.view(1,T_p,1,1)     # Eq.15H_prime = H_pred + lambda * C_temp                  # Eq.16Y_hat = g_out(H_prime)官方还多一个 incident_scale=lambda（默认 1.0），论文公式里常省略

调用链：forward 里先 icsf_module(...) 得到 incident_context，ST 骨干出 forecast_hidden，再 tiid_module(forecast_hidden, incident_context)。

今晚最小验证（不必等完整训练）：在 notebook / 小脚本里固定 σ_t=1.0 打印 ω_1…ω_12，确认与论文高斯曲线一致；再对无事件 batch 检查 C 项是否被 mask 掉。

3. 若官方数据下不动：Plan B

进度会更认「机制对齐」而不是「数字完全复现」。备选：

机制复现（推荐兜底）：在 BasicTS / 你已有 backbone 上挂一个 TIID 式模块（固定高斯 + 加法残差），用自有事件数据跑通 forward + 消融「有/无衰减」。
对照你的 event-force：把 TIID 当作 κ 时间核的特例（单事件、固定 σ、无空间核乘积），在汇报里画一张「TIID ⊂ 我们的 κ」图。
只读验证：精读 §3.4 / §4.3 / 官方 TIID 类，产出本课口播 + 速查表（你已有）——仍算有效进度，但要诚实标注「代码未跑通」。

4. 明天进度汇报：3 分钟结构

① 问题（25 秒）

现有交通预测只拟合历史规律。事故等非重复性外生事件会陡然改写时空模式；若不显式建模，模型会输出「日常平均」，长 horizon 误差爆。

② 方法一句话（40 秒）

IGSTGNN = 骨干 + 两个插件： ICSF 用注意力+空间关系张量 D 建「谁受冲击」； TIID 用 omega_tau=exp(-tau^2/(2*sigma^2)) 让冲击随预测步衰减，再加法残差叠回 H_pred。不是特征拼接，是过程力迫。

③ 证据（40 秒）

Alameda MAE 优于次优 5.65%；Horizon 12 仍强（Orange +4.1%）；去掉 TIID 约 +4.2% MAE；D2STGNN 挂双模块 +13.23%。说明时间衰减在长步上值钱。

④ 我今晚做了什么（40 秒）

【按实际改】环境 / 数据 / 是否跑通训练 / 代码-公式对照 / 若未跑通则机制复现进度。

⑤ 局限与下一步（35 秒）

局限：仅最新时刻单事件；σ 固定不学；D 预定义；无文本多模态。下一步：【选一】完整 Alameda 指标对齐 / 迁移到我们的 BjTT·event-force（可学习 σ_m + 多事件）/ 与 ICSF 的空间核对照设计。

5. 可能被问的问题（Q&A 卡）

问题	短答
和简单 concat 事件特征有何不同？	ICSF 有拓扑掩码+上下文注意力；TIID 显式衰减，不是静态通道。
为什么 σ 不学？	即插即用、稳定；我们后续可学 σ_m / 分类型核作为扩展。
历史事件呢？	论文假设已进近期流量；我们若要长时外生，需多事件年龄堆叠。
和 ConFormer 比？	同属事件感知；ConFormer 偏事故图传播+GLN；IGSTGNN 偏广义事件+衰减残差。
和你方向的关系？	TIID 是「外生长窗演化 / 衰减核」样板；我们要补多模态与多事件力迫。
复现卡在数据？	Kaggle 单独发布；可先机制复现再对齐数字，不阻塞设计讨论。

6. 与本项目（外生 ST / event-force）的桥

TIID 原型	你的扩展方向
固定高斯 σ=1	分类型可学习 σ_m / γ_m
单新事件	多事件 age + horizon 累积
时间核为主	时间 × 空间 footprint 乘积 κ
加法残差 forcing	保持 forcing 哲学，可选 Need Gate
结构化事件属性	后续接文本 / 多模态外生

进度会上如果被问「你做 TIID 干什么」，答： 借一个已被 KDD 验证的衰减残差接口，校准我们自己的力迫通道，而不是停在复现。

7. 自测

官方仓库 clone 后立刻能训练吗？

能，数据已在 data/ 目录不能，需另下 Kaggle 并 prepare_splits 不能，必须自己从 PeMS 原始日志爬

今晚最优先的验证是？

跑通管线并对照 TIID 公式与代码三个数据集全量训满对齐 Table 4 先重写骨干为 Mamba 再谈事件

数据下不动时，汇报应强调？

隐瞒，只报论文表格数字放弃 TIID，改讲无关工作机制复现进度 + 卡点 + 与自身 κ 的扩展计划

主源

代码与数据说明： fanlixiang/IGSTGNN · 数据 Kaggle data4igstgnn · 论文 arXiv:2602.02528

环境报错、数据 shape、和 BasicTS 对接、汇报稿改口播——直接问我。需要我可以下一步帮你：写 TIID 最小 PyTorch 片段，或改一版 1 页 PPT 大纲。