基于深度学习的交通流预测系统

一个基于 PyQt5 与 TensorFlow 的桌面端交通流预测项目，支持数据导入、预处理、模型训练、结果预测与可视化分析。项目内置 LSTM、iTransformer 及混合模型，适合课程设计、科研原型验证和小规模业务演示。

项目亮点

• 提供完整的桌面图形界面，覆盖数据处理到预测展示的主要流程
• 集成 LSTM、iTransformer 与混合模型，便于横向比较不同建模方案
• 支持结果导出、图表展示、特征分析和趋势分析
• 仓库已清理运行日志、构建产物、本地路径和个人环境配置，适合公开发布

项目结构

deep-learning-traffic-flow-forecasting-system/
├── core/                    # 核心算法与模型管理
├── data/
│   └── raw/                 # 示例原始数据
├── docs/
│   └── system_architecture.md
├── gui/                     # PyQt5 图形界面
├── resources/               # 图标、样式与模板资源
├── tests/                   # 单元测试、集成测试、GUI 测试
├── utils/                   # 配置、日志、导出、可视化等工具模块
├── config.py                # 全局配置
├── main.py                  # 程序入口
├── package.spec             # PyInstaller 打包配置
└── requirements.txt         # 运行依赖

环境要求

• Python 3.10 及以上
• Windows 10/11、macOS 或 Linux
• 建议内存 8 GB 及以上

快速开始

1. 创建虚拟环境并安装依赖

python -m venv .venv
.venv\\Scripts\\activate
pip install -r requirements.txt

2. 运行桌面程序

python main.py

首次启动时，程序会自动生成 config.json、logs/、output/、models/saved/ 等运行目录，这些内容默认不纳入版本控制。

功能说明

• 数据管理：支持 CSV、Excel、JSON 等文件导入与基础预处理
• 模型训练：支持窗口大小、学习率、批次大小、训练轮次等参数配置
• 结果预测：支持单步预测、多步预测和批量预测
• 可视化分析：支持时间序列图、热力图、相关性分析与预测对比
• 高级分析：支持特征重要性、异常检测和趋势分析

打包说明

使用 PyInstaller 进行打包：

pyinstaller package.spec

研究开发者

• 宫丰霖

联系方式

• 邮箱：gongfenglin@sdust.edu.cn
• 网址：https://2830500285.github.io/

版权说明

本项目当前版本信息为 1.0.0，公开仓库中的作者与维护信息统一为宫丰霖。