根據國外媒體報導，英國中央政府正在規劃一筆約 850 萬美元的預算，用來採購約 150 輛的 Tesla Model S 電動車，用來取代中央政府部門使用的老舊車輛。這 150 輛 Tesla S 服役後，將占英國中央政府機關用車約 30 %。   英國政府將會以每輛約 3 萬 3000 英鎊（約合台幣 171 萬 7600 元）的價格取得這批 Tesla S，雖然說已經比 Tesla Model S 在英國的正式售價 5 萬英鎊要便宜，但是仍然超出預算許多。   英國政府會採用 Tesla S 的主要原因是：跟 3 萬英鎊價格帶的其他電動車款相比（主要是 BMW i3，即便是 i3 Rex 增程版也只有 300 公里），Tesla Model S 的 250 英哩續航力（約 402 公里），相較之下的確是實用太多了。   （圖片來源：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※超省錢租車方案

※別再煩惱如何寫文案,掌握八大原則!

※回頭車貨運收費標準

※教你寫出一流的銷售文案?

異步處理模型

一旦談到分佈式，微服務等這些具有很高逼格的代名詞，總能讓你在面試中脫穎而出，不是因為這些詞的英文翻譯的好，而是現代互聯網乃至企業級開發確實在分佈式，微服務等模式下取得了良好的架構效果。無論是微服務，還是之前的SOA，總是離不開異步處理模型，小到程序中IO的處理，大到系統間的消息交互，處處都有異步的身影。

談到系統之間的消息異步處理，就不能不談消息隊列（MQ），目前業界比較流行的MQ類型請自行百度腦補。但是需要提醒一下，MQ只是實現數據異步處理的一種解決方案，沒有MQ能不能實現異步處理呢？當然能，最簡單粗暴的莫過於採用數據庫方式，消息生產者直接把數據插入數據庫，消費者採用讀取數據庫的方式來獲取數據，所以MQ並不等於異步處理哦。

異步消息處理最大程度上解耦了各個系統，為每個系統獨立擴展提供了更大空間，但是異步消息處理也同時面臨着一些挑戰，比如：消息管道性能，消息管道的高可用等，其中最貼近業務層的可能非“數據異常處理”莫屬，基本上可認為這是數據處理模型的最末端，數據流向的尾部，但往往卻是業務中比較重要的部分。

如果一條異步消息作為一個分佈式事務中的一環，那還設計到消息處理結果的反饋，分佈式協調器會根據消息結果的成功與否來決定的事務的結果。

單就異步消息消費端來講，根據不同的業務場景就有以下幾種異常處理方案

直接忽略

這是所有異常數據處理方案中最粗暴，同時也是最簡單的一種：發生異常的時候，直接忽略，什麼都不做。

面對異常不採取任何措施，乍一聽這可能是個很糟糕的方案，但是在實際業務中，這可能是完全可以接受的。如果因為錯誤導致的損失很小，甚至可以忽略，但是建立一套錯誤糾正機制的成本遠遠高於忽略異常，這種場景下選擇直接忽略往往是一種更優的方案。而且當錯誤糾正機制設計到需要人工介入操作的時候，代價會更高，而且還會引入影響其他業務的可能，更為可怕的是如果錯誤糾正機制本身出現問題，那代價更是…..

舉個很簡單的栗子：像一些登錄日誌的統計操作，如果處理某個人登錄的數據出現異常，往往會選擇直接忽略。因為統計這種業務本身就帶有數據的容錯機制，100000和100001在統計需求看來沒有什麼區別。

重試

當直接忽略的方案不可行的時候，你可能需要重試的操作。如果在重試的情況下有足夠高的成功率，那重試就是合理的選擇。重試雖然可以改正間接性的錯誤，但是它對那些違反業務規則，違反數據模型的數據無能為力。

在最理想的情況下，如果重試操作是冪等性的，什麼叫冪等性能（自己去百度吧）？事情就會簡單很多，重試操作可以放心大膽的去實施。但是在重試操作經過一段時間或者一定次數之後還未成功的話，多數情況下可能需要有一定的後續策略，比如：重試10次之後如果還是失敗，則放棄。

補償

這個策略是分佈式事務中經常用到的，與其說是補償，不如說是回滾操作。特別是在程序接收到數據會有一系列的操作的情景下，補償操作類似於事務回滾的概念，讓系統回到發生這一系列操作之前的狀態。這種補償的機制非常適合於那種有“事務”需求的場景。

你的業務中有哪些“事務”的需求場景呢？歡迎在留言中體現，另外再稍微提一下，每周送架構書籍的活動仍然在進行哦，歡迎關注

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

「蒲公英」期刊，每周更新，我們專註於挖掘「基礎技術、工程化、跨端框架技術、圖形編程、服務端開發、桌面開發、人工智能」等多個大方向的業界熱點，並加以專業的解讀；不僅如此，我們還精選凹凸技術文章，向大家呈現團隊內的研究技術方向。

抬頭仰望，蒲公英的種子會生根發芽，如夏花絢爛；格物致知，我們登高遠眺、滄海拾遺，以求積硅步而至千里。

登高遠眺

天高地迥，覺宇宙之無窮

前端框架

Vue3 Composition API 提案

Vue3 其中一個重量級的特性就是 Composition API，它能幫助我們更好地組織代碼。本網頁是 Composition API 的草案，詳細介紹了 Composition API 的設計動機、設計細節、具體 API 用法等。文章篇幅較長，推薦找一個悠閑的周末，泡上咖啡，帶上耳機，細細品讀一番。

工具測評: React Hook Form VS Formik

使用 React 構建表單是一件痛苦的事情，官方推薦了 Formik。本文對使用 Formik 和 React Hook Form 構建表單進行了比較，得出 React Hook Form 比 Formik 更易用、更高效的結論。如果你正巧在這方面有困惑，可實踐嘗試體驗。

Quark-h5 — 從零開始的可視化編輯器

想必你一定使用微場景生成工具製作過炫酷的 h5 頁面，除了感嘆其神奇之處有沒有想過其實現方式呢？本文從零開始實現一個 H5 編輯器項目完整設計思路和主要實現步驟，並開源前後端代碼。有需要的小夥伴可以按照該教程從零實現自己的H5編輯器。

圖形編程

初探虛幻引擎5

5月底, 遊戲公司Epic揭開了虛幻5引擎神秘的面紗，此次更新包含 Nanite虛擬微多邊形 和 全新的動態全局光照Lumen 兩大核心技術，然後展示了該引擎運行在PS5上實時渲染效果，其逼真的光照和媲美電影的細節震驚了整個行業。

工程化

Vite — 入門到實戰

Vite 是 Vue 技術生態新推出的開發工具，針對 Vue 應用的無打包開發服務器，開發者無需藉助 webpack 等打包工具，即可直接在瀏覽器中預覽 Vue 項目。Vite 的原理與本技術周刊之前介紹過的 snowpack 有着異曲同工之處，Vite 本身也表示一部分靈感來自 snowpack 項目。本文從 0 開始一步一步實現了一個簡易版本的 Vite 來講解 Vite 的技術原理，讀過本文之後，再去閱讀 Vite 的項目源碼，相信會有不小的收穫。

人工智能

杜克大學出品 AI 黑科技 PULSE 算法，讓你的照片有碼變高清

近日杜克大學開源了新型超分辨率圖像算法 PULSE，可將16×16像素的低分辨率人像放大到1024×1024像素的高分辨率。

工具推介

手把手教你快速搭建專屬的 StoryBook

Storybook是一個輔助UI控件開發的工具。通過story創建獨立的控件，讓每個控件開發都有一個獨立的開發調試環境。 Storybook的運行不依賴於項目，開發人員不用擔心由於開發環境、依賴問題導致不能開發控件。Storybook支持的框架覆蓋主流的框架（React、Vue、Angular）。 由於使用React作為技術棧，本文將介紹使用react的項目如何配置Storybook環境。

滄海拾遺

滄海拾遺，積跬步以至千里

ELF – 靈活可擴展的 HTML5 構建工具

前端工程化的問題由來已久，除了尤老師正在努力的方向，還出現過很多優秀的小工具幫助我們解決各個方面的問題，ELF 就是其中一種解放我們重複勞動的構建工具之一。

用 Git 鈎子進行簡單自動部署

除了這些工具，工程化中也還是有很多小問題，可以用很多方法去解決，自動化部署就是其中之一，如果你還不懂的如何利用 Git Hook 完成自動化部署的方法，趕緊補起這一課吧，未來正在向你招手～

歡迎關注凹凸實驗室博客：aotu.io

或者關注凹凸實驗室公眾號（AOTULabs），不定時推送文章：

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※想知道最厲害的網頁設計公司"嚨底家"!

※幫你省時又省力,新北清潔一流服務好口碑

※別再煩惱如何寫文案,掌握八大原則!

Code Review 是一場苦澀但有意思的修行。

近期對團隊負責的項目，進行了一次 Code Review，代碼評審過程中遇到的那些編碼壞習慣，笑的合不攏嘴。不過，評審中很多代碼編寫問題，以往都多次提及過，所以還是按奈不住心中怒氣的小火苗。

作為用代碼編寫人生的程序員，能擁有寫一手健壯代碼的本領，那絕對很有必要。因為健壯的代碼能夠把 Bug 扼殺在搖籃里，能夠讓問題止步於上線前。

那麼，怎樣才能練就寫出健壯代碼的本領呢？

本次着重談談那些代碼編寫時的一些壞習慣，改掉這些壞習慣，相信會向健壯代碼邁進一大步。

一、編碼時易忽略性能的壞習慣 

壞習慣一：調用低效的構造器，創建包裝類型的對象。

反例：

正解：

解惑：使用 Long.valueOf(long) 代替 new Long(long)，可以提高性能。

如 Long 源碼所示，如果當傳入的值介於 -128～127 時，會優先從緩存中返回緩存的值，而不是進行 new，充分利用空間換取時間，所以當值介於 -128～127 時，採取 Long.valueOf(long) 的效率要比 new Long(long) 快很多。

建議：

• 凡是涉及到 Long, Integer, Short, Character 以及 Byte 創建對象時，優先採用高效的 valueOf() 方法，而不是直接用低效構造器創建實例。
• 享元設計模式在這兒用到了，什麼是享元模式？（留個作業）

壞習慣二：使用 keySet 迭代器迭代 Map，獲取對應的 value。

反例：

正解：

解惑：keySet 方式遍歷 Map 的性能不如 entrySet 性能好。

如果採用 keySet 的方式獲取 Map 中 key，然後通過 key 獲取 Map 對應的 value，如上圖 HashMap 源碼所示，每次都需要通過 key 去計算對應的 hash 值，然後再通過 hash 值獲取對應的 value，效率會低不少。

建議：

• 如果想獲取 Map 對應的 key 和 value，則推薦使用 entrySet。
• 如果只是單純獲取 Map 對應的 key，則推薦使用 keySet。

壞習慣三：使用 new Date().getTime() 獲取當前時間戳。

反例：

正解：

解惑：如下圖 Date 源碼所示，Date 構造方法中最終還是調用了 System.currentTimeMillis() 方法來獲取時間戳。

建議：

• 獲取當前毫秒數採用 System.currentTimeMillis()，而不是new Date().getTime(); 
• 獲取更加精確的納秒級時間值，採用 System.nanoTime；
• 在 JDK8 中，針對統計時間等場景，建議使用 Instant 類。

壞習慣四：循環中使用 ”+“ 號拼接字符串。

反例：

正解：推薦使用 StringBuilder/StringBuffer 進行字符串拼接。

解惑：「Java 程序該怎麼優化？技巧篇」以前的這篇分享做過試驗，本次不贅述。

二、編碼時易犯的一些小毛病 

毛病一：變量作為 equals() 方法的調用方。

反例：

正解：

解惑：totalCount 應該作為方法  equals() 的調用方，而不是參數 作為調用方，因為參數作為調用方會出現空指針異常。

建議：

• 字符串的比較，常量建議當做 equals() 方法的調用方；
• 字符串判斷空，建議用項目中的工具類。

毛病二：對象為 null 的檢查滯后。

反例：

正解：請在使用 data 對象前，做好是否為 null 的判斷。

解惑：後置對象為空的檢查，可能會導致空指針異常的發生。

毛病三：要求傳入非空的方法，傳入空值。

反例：

正解：signInfo 變量的值可能存在為空的情形，導致發生空指針異常。

建議：發生異常的時候，方法該終止就終止；盡量做好防禦性編程，該校驗的參數進行必要的校驗。

三、寄語寫最後 

常在河邊站哪有不濕鞋，再牛逼的碼農，編碼也會有失誤的時候，很有必要藉助一款代碼檢查工具，做最後一道防線。

在這裏，推薦 FindBugs、Checkstyle、SonarQube 三款代碼檢查工具，不過我用的最多的當屬 FindBugs，可以拿去一試，使用門檻幾乎為零。

好了，編碼中易犯的那些臭毛病，本次就談到這裏，不知道有多少條是觸動了你的心弦，希望有則改之。

關注同名公眾號：一猿小講，回復「1024」可以獲取精心為您準備的職場打怪進階資料。

一起聊技術、談業務、噴架構，少走彎路，不踩大坑，會持續輸出原創精彩分享，敬請期待！

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※新北清潔公司,居家、辦公、裝潢細清專業服務

※別再煩惱如何寫文案,掌握八大原則!

※教你寫出一流的銷售文案?

※超省錢租車方案

非常抱歉，今天凌晨 3:20~8:30 左右，我們使用的阿里雲 RDS 實例 SQL Server 2016 標準版突然出現 CPU 100% 故障，造成全站無法正常訪問，由此給您帶來巨大的麻煩，請您諒解。

問題很奇怪，故障期間是數據庫服務器負載極低的時間段。從阿里雲 RDS 控制台 CloudDBA 看，故障期間下面的一個 SQL 語句大量執行，並且極其消耗 CPU 。

開始我們以為是這個 SQL 語句引發的故障，但排查下來這個 SQL 語句本身並沒有性能問題，而且已經使用了至少6個月。

最終恢復正常是通過 RDS 的2次主備切換，當發現故障后，我們立即進行主備切換，但切換后 CPU 依然 100% ，然後我們排查 SQL 語句的問題，排查未果，然後又進行一次主備切換，才恢復正常。

事後分析后發現應該是第一次主備切換沒有成功完成，阿里雲 RDS 控制台查看不到主備切換日誌，但2次切換，只有第2次收到郵件通知，由此可以推斷。

您的雲數據庫RDS實例：xxx（名稱：enable or disable task fetching while rds2slb transgfer.）任務觸發切換完畢，請檢查程序連接是否正常，建議設置自動重連機制以避免切換影響。

問題的原因有待進一個分析，再次抱歉由此給您帶來的麻煩。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※新北清潔公司,居家、辦公、裝潢細清專業服務

※別再煩惱如何寫文案,掌握八大原則!

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※超省錢租車方案

※教你寫出一流的銷售文案?

論文鏈接：https://arxiv.org/abs/1811.05320

最近發現博客好像會被CSDN和一些奇怪的野雞網站爬下來？看見有人跟爬蟲機器人單方面討論問題我也蠻無奈的。總之原作者Missouter，博客鏈接https://www.cnblogs.com/missouter/，歡迎交流。

整理、精鍊了一下這篇論文的思路。

Abstract：

交通預測的難點在於交通拓撲網絡複雜的結構與隨時間動態發生的交通變化；為了提取交通網的空間與時間特徵，文章提出了一種時間性的圖卷積網絡模型，結合了門級循環單元（GRU）與圖卷積網絡（GCN）。其中圖卷積網絡被用於提取複雜拓撲結構中的空間性信息，而門級循環單元則為了提取時間關係，被用於學習交通數據中的動態數據。

Introduction：

交通預測過程：分析交通道路狀況，包含流量、速度、密度；挖掘交通模式，同時對道路上的交通狀況進行預測。

預測結果：交通管理者預測擁堵狀況、限制交通工具的科學基礎、出行者效率選擇出行工具、路線的保障。

難點：

1、 空間關係：交通流的變化被拓撲結構的城市交通網主導，上游的交通狀態通過傳輸作用影響下游的交通狀態，而下游交通狀態通過反饋作用再影響上游交通。

2、 時間關係：交通流隨時間動態變化，主要表現在周期性和趨勢上；現有的交通狀況被前一刻的交通狀況影響。

現存交通預測方法缺陷：一些交通預測方法（ARIMA、Kalman filtering model，etc）只關注了交通狀況的動態變化而忽視了空間關係，導致交通狀態的變化不被道路網約束，同時一些模型嘗試使用卷積神經網絡進行空間性建模，但這些模型一般只使用於歐幾里得類型的數據（規則矩陣、圖像等），無法在拓撲結構的城市交通網絡中運作。

T-GCN貢獻：

1、 結合了GCN與GRU，內容與abstract重複，不做多提。

2、 T-GCN的預測結果展示了一個不同視角下的穩定狀態，表示T-GCN除了預測短周期的變化，還能預測長周期的變化。

3、 我們使用兩個現實的數據集評估模型，相較其他預測模型，減少了1.5%~57.8%的預測錯誤率。

Related work：

交通預測方法分類：模型驅動的方法、數據驅動的方法；

模型驅動的方法：解釋即時、穩定的交通關係如交通流量、速度與密度，需要複雜細緻的系統建模與巨大的算力，且由於諸多因素的影響，現實環境中交通數據的多樣性無法被精確描繪。

數據驅動的方法：基於數據統計所得規律推斷交通狀況的變化。不分析物理屬性與交通系統的動態變化有着較高的複雜度。其中的historical average model不需要假設、計算過程簡單，但精確度不佳。

擁有更高精確度的模型被提出，分為兩種：含參數的與非參數的。

含參模型假定回歸函數，參數在對原始數據的處理過程中確定。傳統含參的模型是在系統模型為靜態的假設基礎上建立的，反映不了交通系統的非線性與不確定性，也克服不了交通事故等突發隨機事件的困難。不含參數的模型只需要足夠的歷史數據就能自動學習靜態規律特徵，但先前形如LSTM、GRU的模型僅僅考慮了時間關係而忽略了空間關係，不能精確預測道路上的交通信息，如何充分利用空間信息成了交通預測的關鍵，而利用CNN進行空間關係提取的模型雖然在交通預測上取得了顯著進步，但無法應用於複雜拓撲結構的城市交通網，隨着GCN研究的深入，拓撲結構空間特徵的提取問題也得到解決。

（這段論文寫的有點長…堆了一堆文字讀的我有點難受）

Methodology:

問題定義：根據歷史數據預測某一特定時間段的交通信息，交通數據通常被定義為速度、密集程度、交通流。使實驗不失普遍性，在實驗章節使用交通速度作為交通數據的代表。（Without loss of generality, we use traffic speed as an example of traffic information in experiment section.這句語感有點僵了）

定義：設定無權圖G=(V, E），V、E分別代表道路點與邊，N為道路的數量，設定鄰接N*N矩陣A表達道路與道路之間的聯繫；設定N*P特徵矩陣X，P代表點屬性特徵的數量，即歷史時間序列的長度，使用N*i矩陣 表示在時刻i，每條道路上的速度，屬性特徵也可以是交通速度、交通流等屬性。

問題轉化：交通空間-時間性預測被轉化為學習以拓撲圖G為前置與特徵矩陣X的映射函數，計算得到在下T時刻的交通信息：

過程概覽：首先以長度為n的歷史時間序列數據作為輸入，使用GCN接收拓撲結構的空間信息，其次將接收到的空間、時間信息輸入GRU當中，獲取各個單元間的動態信息變化，以提取時間性的特徵，最後在全連接層獲得結果。

空間關係建模：利用GCN提取圖結構的數據，通過給定的鄰接矩陣A、特徵矩陣X，GCN在圖上通過提取相鄰結點特徵構建傅里恭弘=叶 恭弘域，使用堆疊的卷積網絡，表示為：

Â為A與單位矩陣I相加所得， D為度矩陣， H^l為第l層的輸出， θ^l包含該層的參數， σ代表非線性回歸的激活函數。(我懷疑論文這裏的上標打錯了)

兩層GCN模型可被表示為：

其中 ，P*H的 矩陣代表從輸入到隱藏層的權重，P為特徵矩陣的長度，H為隱藏單元的數量；H*T的W₁代表從隱藏層到輸出層的權重， f(X,A)∈R^N*T代表長度為T的預測輸出，ReLU()作為修正線性單元，作激活層用。

時間關係建模：被廣泛應用的循環神經網絡因梯度消失/爆炸的原因，不適用於長周期的預測；LSTM與GRU作為循環神經網絡的變種，克服了上述問題。其共同原理都是利用門級機制儲存盡可能長的周期信息；LSTM因其複雜的結構，GRU結構更加簡單，故計算時間更短。

圖中h_t-1表示t-1時刻的隱藏狀態， x_t表示t時刻的交通信息， r_t代表重置門，用於控制先前時刻狀態信息的度量； u_t為上傳門，用於控制上傳到下一狀態的信息度量； c_t為t時刻時儲存的信息， h_t為t時刻的輸出狀態；總的來說，GRU通過獲取t-1時刻的隱藏狀態與當時的交通狀態信息得到t時刻的交通信息。

T-GCN：

T-GCN的結構如圖，右側為T-GCN的處理單元： 為t-1時刻的輸出，GC為圖卷積過程，u_t 、 r_t分別為上傳門與重置門， 為t時刻的輸出。具體計算過程為：

f(A,X)代表前文定義的GCN計算過程，w與b代表訓練過程中的權重與偏移量。（很大部分照搬了GNU的公式）

損失函數：

目標：最小化真實交通速度與預測交通速度的誤差。Y分別代表真實速度與預測速度，損失函數如下：

其中 λL_reg用於防止過擬合。

Experiments:

選取數據集：

1、SZ-taxi：數據分為兩部分，156*156的鄰接矩陣表示路與路之間的空間關係，描述每條路上隨時間變化的特徵矩陣。

2、Losloop：由鄰接矩陣與特徵矩陣組成，鄰接矩陣由交通網絡中的傳感器計算；同時作者對數據集中的殘缺部分使用線性填充的方法進行了補全。

輸入的數據全部進行了歸一化處理，80%的數據用於訓練，而20%的數據被用於測試。實驗對接下來15、30、45、60分鐘的交通速度進行預測。

評價指標：

文章列出了五個用於評價T-GCN預測表現的指標：

1、均方根誤差：

2、平均絕對誤差：

3、準確率：

4、 確定係數：

5、可釋方差值：

其中y^j’_i分別代表第j次時間、第i條路的真實交通信息與預測信息，M為時間樣本的數量，N為路的數量，Y分別代表 與 的集合， 帶上劃線的Y為Y的平均數。

R²與var用於計算相關係數，衡量預測結果表示實際數據的能力，數值越大則預測能力越優越。

選取模型參數：

超參數：包括學習率（0.001）、抓取數量（32）、訓練輪數（5000）、隱藏單元數量（通過多次實驗取最優預測效果）

針對SZ-taxi文章選取[8,16,32,64,100,128]，分析預測準確率的變化，得到不同隱藏單元數量下RASE與MAE、Accuracy、R² 、var的值如圖：

顯然數量為100時效果是最好的（真有這麼巧的事情嘛…）。隱藏單元超過一定數量性能下降的原因在於數據單元超過一定值後計算複雜度增加，且訓練數據會出現過擬合現象。

實驗結果：

將T-GCN預測效果與baseline對比，包括HA、ARIMA、SVR、GCN、GRU，所得實驗數據如下：

高預測精準度：門級循環網絡的預測精度顯著高於其他baseline算法，HA、ARIMA、SVR等算法因難以處理複雜、非固定的時間數據而預測效果不佳，GCN預測效果不佳的原因僅僅在於僅考慮了空間特徵而忽略了交通數據是一個典型的時間序列數據這一事實。

ARIMA比HA檢測效果弱的原因在於ARIMA不適用於長周期的檢測，且計算每個節點誤差的方式導致一些數據中的波動會導致最終的計算錯誤。

時空預測能力：為了檢驗模型是否能夠從交通數據中提取時空特徵，文章將模型與GCN、GNU模型進行了比較：

長周期預測能力：在不同的時間範圍（文章只寫了“horizon”，根據前後文認定為是時間範圍）下，T-GCN都能獲得最好的預測效果且預測結果擁有較小的變化趨勢，證明了T-GCN擁有更好的長周期預測能力；文章以T-GCN在不同時間點的結果作為論證：

干擾分析與魯棒性：通過向數據中添加兩種不同的噪聲檢驗T-GCN的魯棒性，高斯分佈、泊松分佈的 值作為自變量被改變，分別添加到兩種數據集上，得到結果：

由評估指標的隨噪聲的變化細微可以得出T-GCN具強魯棒性的結論。

模型解釋：

文章將T-GCN所得的預測結果與真實數據可視化得到結論：

模型對於峰谷值的預測效果不佳，原因在於T-GCN在傅里恭弘=叶 恭弘域中定義了平滑過濾器，通過不斷移動過濾器提取空間特徵，造成了全局預測中的細微變化，使得曲線中的峰變得平滑。

文章還指出預測與實際之間存在固定誤差，由數據集的特殊性造成，即SZ-taxi數據集表示某時刻出租車的數量可能為0，但實際道路上車輛的數量不一定為0；

對這篇論文的解讀就到這裏結束了，Methodology部分使用GCN與GNU的理論，設計了新的計算單元;Experiment部分很讓我受教，對實驗的條件、前提設定的非常詳盡，在介紹數據集與衡量指標后，對選取實驗參數作了嚴格的實驗論證；對實驗結果進行了詳盡的分析，通過與其他幾個模型的預測結果進行對比，從空間、時間、時間跨度預測、精度、魯棒性等角度對模型的優越性進行對比論證，數據的選取與展示都精確地契合了論證的論點；最後關於傅里恭弘=叶 恭弘與峰谷偏差的模型解釋很精妙。

關於GNU、LSTM的學習解讀會繼續跟進。同時也會對這篇論文git上的開源代碼進行解讀與實驗復現。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※教你寫出一流的銷售文案?

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!

※超省錢租車方案

背景

最近項目新上線的版本中，出現了很多涉及下載相關的bug；經過艱難的代碼調試排查，可還是沒有準確定位問題。主要還是由於代碼年久，經過多代人的修修補補，到處都是“壞味道”的代碼。跟項目經理溝通過後，同意重構這部分的代碼。下面就簡單記錄一下重構的過程。

項目現狀

項目最早可追溯至2014~2015年，分為配置管理網站(Server)，WPF桌面軟件(Client)。桌面軟件又分為：用戶操作界面WPF，後台服務 Windows Services 程序。
在後端Services中，維護一個本地的小型Firebird數據庫，為WPF提供數據和用戶狀態保持；實現了從遠程服務器同步數據到本地，訪問遠程接口，下載管理，數據上報等功能。而我這次要做的就是，重寫下載管理。下面是關於舊代碼的分析:

1. 三種不同的下載觸發機制：軟件啟動觸發、用戶觸發，數據同步到本地觸發；
2. 有八種不同的資源下載，分別在不同的表中管理；
3. 有五套複製粘貼的代碼：軟件啟動(兩套)、用戶觸發(兩套)、數據同步(一套)；
4. 大量無意義嘗試，比如下載失敗404后，短時間內沒有必要再次嘗試；
5. 狀態管理不統一，有的下載完成狀態改為 ReadyForUse，有的下載完成狀態改為 DownloadSuccess;
6. 執行方法語義重疊，比如 DownloadPause 和 DownloadStop，DownloadFinished 和 DownloadSuccess；
7. 大段註釋代碼，這些代碼基本永遠不會再使用的；

重構設計

鑒於項目是在運行階段，一方面要考慮時間成本，另一方面要保證原有的運行方式。在當前軟件的框架下，把重寫的代碼限定在下載模塊內部，對外的接口不做改變。
重構代碼的抽象和設計，也是依據當前項目的實際情況，盡可能的通用和易擴展。設計的UML類圖如下：

下面的三個虛類，是下載管理流程的核心，所有的控制邏輯都包含在其中。

1. DownloadResourceAbstract 虛類 資源文件的基本信息: DatabaseID 和 ResourceID為了兼容不同數據庫表的設計；DownloadPriority 預設優先級；DownloadImmediatelyPriority 用戶觸發的下載，優先級最高，立即執行；其它字段涵義可見字段名稱；
2. DownloadWorkItemAbstract 虛類 資源下載操作類，包含下載狀態，開始，停止，MD5檢查，狀態更改的回調方法；與①一對一關係；
3. DownloadControlerAbstract 虛類 控制同時下載的數量，根據優先級控制下載的順序；與②一對多關係

下面的類，是具體下載方法的實現；當前的項目只有HTTP下載，類圖中也只實現了HTTP的下載的管理功能：

• 可擴展下載方法設計：FtpClient、HttpClient繼承自DownloadClientAbstract；
• 關聯 HTTP 下載，分別實現的子類 HttpDownloadWorkItem 和 HttpDownloadControler；

對不同類型的資源文件，組合不同的下載方式：

• AutoHttpDownloadDealer: 自動下載的資源 + HTTP 下載；
• UserOperHttpDownloadDealer: 用戶手動操作的資源 + HTTP 下載；
• 由數據同步到本地的觸發下載資源 + HTTP下載；(未在UML圖中畫出)

發現bug的真實原因

在重構測試階段，意外發現了bug的原因：前段時間更換了文件服務器，而新的文件服務器，不支持斷點續傳，HTTP Status 返回的不是預期的Partial Content(206)，而是OK(200)；下載文件不存在時，HTTP Status 返回的也不是 404，而返回自定義的 Response Text 。。。

由於這兩個不合理的地方，導致軟件的下載功能，出了好多莫名其妙的bug，再疊加到處複製 + 粘貼“壞味道”的代碼，修復起來異常繁瑣，於是就有了重構這件事情。

個人感受

在當前的項目中，也做了幾次小範圍的重構，要麼代碼影響範圍小，要麼只是在原代碼基礎上套個框架。而這次是徹底幹掉原代碼，重新設計，重新寫。下面是代碼重寫完成后 git merge 的 log：

Showing 1107 revision(s), from revision 6092a531 to revision f336c077 – 1 revision(s) selected, 166 file(s) selected; line: 5226(+) 5251(-) files: modified = 118 added = 28 deleted = 20 replaced = 0

從上面的log匯總信息，好像也不足以展示修改工作量。這些修改大約花費了我一周的時間，自願工作日加班，自願周末加班(有時候代碼寫上頭了，還得強迫自己下班休息去)。開始的前三天的時間，邊讀舊代碼，邊搭建新的框架，嘗試把舊代碼融入到新設計中；後期轉換思路，理解代碼邏輯，把代碼邏輯融入到新設計中。

這樣就可以放開手腳的干起來了，寫代碼的時候，感覺時間過的好快，如有神助般各種代碼中的細節，也會不假思索的寫出來。在下階段單元測試中，非常順滑，基本沒有發現什麼bug，真的是酣暢淋漓。

最最讓我寒心的是，好不容易重構測試完代碼了，壓抑着無比激動的心情，希望組裡的同事給個积極肯定的反饋，可連一個“卧槽”也沒有，就行往常平淡的工作日。。。項目經理也是很淡然的說，要儘快拿給測試。

尾聲

即使我的努力和心血沒有得到，預期中的肯定，我也要把這個過程留存記錄下來：把重構的代碼剔除項目信息，再提取合併通用的部分，重新梳理成一個類庫Github 地址；寫一篇文章來記錄一下。

其實，後面我細細回想了一下。如果最開始項目設計的下載功能是，把所有下載資源放在同一張數據庫表中管理，是不是就那不就更簡單了？如果最最早期的設計做好了，後期可以省掉多少功能擴展、修復bug、重構。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※超省錢租車方案

※別再煩惱如何寫文案,掌握八大原則!

※回頭車貨運收費標準

※教你寫出一流的銷售文案?

Tesla 將推全新的敞篷電動車款，這將是特斯拉公司的第四款車型，預計在 2017 年問世。   在這之前，特斯拉曾表示將發布全新 Model X 和 Model 3 ，為了提升業績表現，特斯拉將推出更多全新車款。除了將推出全新敞篷電動車外，特斯拉還計劃售價約為 3 萬 5 千美元的 Model C。   而 Tesla 全新敞篷電動車型，可能命名為 Model R，將使用電驅動技術，百公里加速時間將小於 4 秒，最高時速可達 322km/h 。   （照片來源： Shared by CC 2.0）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※Google地圖已可更新顯示潭子電動車充電站設置地點!!

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

  據《彭博社》引述 2 名知情人士說法，中國政府正考慮砸下 1000 億人民幣（約新台幣 4800 億元），大舉設置電動車充電站。   報導指出，政府出資建設充電站，將有助於車商電動車的銷售及推廣，減少民眾對價錢、信心及便利性的疑慮。   中國政府上個月也宣佈，包括電動車及油電混合車等新能源車，將自下個月開始免除其消費稅，並要求政府部門採購新能源車作為公務車。   此外，據中國汽車技術研究中心也在 6 月指出，中國政府也在考慮開放非車商企業，能投入電動車生產，進而刺激市場競爭。     （Source：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※新北清潔公司,居家、辦公、裝潢細清專業服務

※教你寫出一流的銷售文案?