论文地址：http://urban-computing.com/pdf/kdd19-BinWang.pdf
代码地址：https://github.com/BruceBinBoxing/Deep_Learning_Weather_Forecasting

一、项目文件说明

训练集：ai_challenger_wf2018_trainingset_20150301-20180531.nc
验证组：ai_challenger_wf2018_validation_20180601-20180828_20180905.nc
试验组（在28/10/2018以一天的测试数据为例）：ai_challenger_wf2018_testb1_20180829-20181028.nc
src/data/make_TrainAndVal_Data_from_nc.py：将.nc文件转换为.csv文件，准备训练集和验证集数据。
src/data/make_TestOnlineData_from_nc.py：准备某一天的测试集。
src/run/Train_from_scratch.py：训练。
src/run/Load_model_and_predict.py：测试。
src\weather_forecasting2018_eval.weather_forecasting2018_eval.py:评估。
ensemble.py：合并多模型结果。

二、参数修改

（请提前注释掉@click.）

• src/data/make_TrainAndVal_Data_from_nc.py：

raw_filepath：’./data/raw/’
process_phase：train（val）训练时为‘train’，验证改为‘val’
interim_filepath：’./data/interim/’
processed_path：’./data/processed/’

• src/data/make_TestOnlineData_from_nc.py：

raw_filepath：’./data/raw/’
process_phase：OnlineEveryDay
interim_filepath：’./data/interim/’
datetime：20181028
processed_path：’./data/processed/’

• Train_from_scratch.py：

processed_path：’./data/processed/’
train_data：‘train_norm.dict’
val_data：‘val_norm.dict’
model_save_path：./models/model_for_official/
model_name：Seq2Seq_MVE

• Load_model_and_predict.py：

model_path：’./models/model_for_official/’
model_name：Seq2Seq_MVE_layers_50_50_loss_mae_dropout0
processed_path：’./data/processed/’
test_file_name：‘OnlineEveryDay_20181028_norm.dict’
saved_csv_path：’./src/weather_forecasting2018_eval/pred_result_csv/’
saved_csv_name：Seq2Seq_MVE_layers_50_50_loss_mae_dropout0-2018102803_demo.csv

• src\weather_forecasting2018_eval.weather_forecasting2018_eval.py:

–submit：上一步生成的文件也就是你的预测结果。
–obs：真实结果
–fore：超算结果（估计是赛方提供的，文件里会有fore_相关cvs文件）

三、复现步骤

1. 执行make_TrainAndVal_Data_from_nc.py（准备训练数据）
2. 执行make_TrainAndVal_Data_from_nc.py（准备验证数据）修改process_phase的参数为’val’
3. 执行src/data/make_TestOnlineData_from_nc.py（准备20181028这天的测试数据）
4. 执行Train_from_scratch.py（火车）
5. 执行load_model_and_predict.py （测试）
   在路径“./src/weather_forecasting2018_eval/pred_result_csv/”中创建一个名为“Seq2Seq_MVE_layers_50_50_loss_mae_dropout0-2018102803_demo.csv”的文件。
6. 执行 weather_forecasting2018_eval.py（进行评分）
   要想重现作者在28/10这一天的分数0.2408，可以将提交的预测参数改为\src\weather_forecasting2018_eval\pred_result_csv\submit_csv里的./forecast-2018102803-submit3.csv’文件
7. 执行load_model_and_predict.py （多模型）
   由于ensemble可以提高预测的准确率和稳定性，所以作者训练了很多模型给大家试试ensemble！分别修改‘model_name‘参数，改为\models目录下的模型，然后将所有结果通过下一个命令
8. 执行python ensemble.py（ensemble）
   这里 ensemble 是简单地计算数学平均值。您将获得名为 ensemble_avg_2018102803.csv的文件。再通过步骤6进行评估。