# LT-Forecast

**Repository Path**: CMCC-jiutian/lt-forecast

## Basic Information

- **Project Name**: LT-Forecast
- **Description**: 基于人工智能算法，利用历史网络流量数据和其他相关数据进行建模和预测。
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 31
- **Created**: 2024-10-15
- **Last Updated**: 2025-10-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LT-Forecast 用户指导手册

LT-Forecast 是一个开源项目，旨在让研究者基于人工智能（AI）算法，利用历史网络流量数据和其他相关数据进行建模和预测。<br>本手册将指导您如何参与到 LT-Forecast 项目中来，包括如何设置您的开发环境、如何提交您的代码以及如何与我们协作。

## 项目概览

LT-Forecast 项目提供了现网 3 个地市 26 个月小时级的网络流量数据和节假日时间信息。研究者可以基于这些数据，使用 AI 算法预测未来 110 天内小时级的网络流量情况。

关联赛事链接：[2024 河北省“九天杯”人工智能命题打榜赛：城市网络流量长时预测](https://jiutian.10086.cn/open/#/taskParticulars/720010/?cid=150&src=gitee)
## 环境设置

在开始之前，请确保您的开发环境中安装了以下软件和库：<br>
Python 3.9.6<br>torch 2.4.1<br>pandas 2.2.3<br>numpy 2.0.2 <br>scikit-learn 1.5.2<br>matplotlib 3.9.2<br>seaborn 0.13.2<br>
您可以通过以下命令安装所需的库：
<style>
  pre {
    background-color: #F7F9FA;
    padding: 10px;
    border-radius: 5px;
  }
  code {
    display: block;
  }
</style>

```python
pip install torch pandas numpy scikit-learn matplotlib seaborn
```

## 获取项目代码 & 创建个人分支

- 进入 [LT-Forecast 开源项目](https://gitee.com/CMCC-jiutian/lt-forecast)，将其 fork 到您自己的代码仓；

- 通过 git 方法克隆远程代码仓：

```python
git clone https://gitee.com/{your_forked_repo}/lt-forecast.git
```

- 为了便于代码管理和审核，建议每位参与者都创建自己的分支，命名为 “**团队名称**”。

```python
git checkout -b {团队名称}
```

## 提交代码
感谢您对本项目的贡献。在您提交代码之前，请仔细阅读以下条款。通过提交代码，您同意遵守并默认签署[用户贡献者协议](./Docs/用户贡献者协议.md)

请按照以下步骤提交您的代码：<br>

- 创建个人文件夹：在根目录的 LTF_challenge 下以 “**团队名称-评测分数**” 创建文件夹；

```python
mkdir LTF_challenge/{团队名称-评测分数}
```

- 提交代码：将您的代码放入以 “团队名称-评测分数” 命名的文件夹中，然后提交；

```python
git add .
git commit -m "您的提交信息"
git push origin {团队名称}
```

- 提交 Pull Request (PR)：在 Gitee 上，请基于您的分支创建并提交一个 PR，我们将对您的 PR 进行审核。请注意，您需要将 PR 申请提交到目标分支 CMCC-jiutian/lt-forecast 的 master 分支上，并且 PR 申请的标题应遵循格式：“团队名称-评测分数”。

## 代码结构

请参考[技术手册](./Docs/LF-Forecast技术手册.md)

## 参与贡献

我们非常欢迎您的贡献！无论是代码改进、文档更新还是 bug 修复，都是宝贵的贡献。请按照上述步骤提交您的代码，我们将尽快进行审核。<br>我们期待您的参与和贡献！