modified: .gitignore

new file:   README.md

.gitignore

@@ -1,3 +1,4 @@
 .venv/
 .venv310/
 .vscode/
+src/__pycache__/

README.md

@@ -0,0 +1,193 @@
+# 建筑结构响应预测项目
+
+## 项目概述
+
+本项目使用时间卷积网络（Temporal Convolutional Network, TCN）模型来预测建筑结构在地震波和简谐波激励下的响应。模型基于底部传感器的振动数据预测多个传感器的响应，实现结构健康监测和振动控制。
+
+## 主要特性
+
+- **多输出预测**：基于单个输入传感器预测5个输出传感器的响应
+- **时间序列建模**：使用TCN处理序列数据，支持长距离依赖
+- **数据增强**：支持有/无TMD（调谐质量阻尼器）条件下的数据训练
+- **自动化评估**：提供完整的训练和测试流程
+
+## 项目结构
+
+```
+Building-main/
+├── src/
+│   ├── __init__.py
+│   ├── config.py          # 配置文件，包含模型和训练参数
+│   ├── dataset.py         # 数据集处理和数据加载器
+│   ├── model.py           # TCN模型定义
+│   ├── train.py           # 训练脚本
+│   └── evaluate.py        # 评估脚本
+├── downloads/             # 数据目录
+│   ├── Non_TMD/          # 无TMD数据
+│   │   ├── train/        # 训练数据
+│   │   ├── val/          # 验证数据
+│   │   └── test/         # 测试数据
+│   └── TMD/              # 有TMD数据
+├── 数据链接.txt           # 数据下载链接配置文件
+├── download_from_data_links.py  # 数据下载脚本
+├── best_model.pth        # 训练好的模型权重
+└── README.md             # 项目说明文档
+```
+
+## 环境要求
+
+- Python 3.8+
+- PyTorch 1.9+
+- CUDA（可选，用于GPU加速）
+- 其他依赖：numpy, pandas, scikit-learn, matplotlib
+
+## 安装依赖
+
+1. 创建虚拟环境：
+```bash
+python -m venv .venv310
+# Windows
+.venv310\Scripts\activate
+# Linux/Mac
+source .venv310/bin/activate
+```
+
+2. 安装依赖：
+```bash
+pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
+pip install numpy pandas scikit-learn matplotlib
+```
+
+## 数据准备
+
+### 下载数据
+
+运行数据下载脚本从配置文件下载数据：
+
+```bash
+python download_from_data_links.py
+```
+
+脚本会从 `数据链接.txt` 中读取下载链接，并将数据保存到 `downloads/` 目录。
+
+### 数据格式
+
+数据为CSV格式的长表结构，包含以下字段：
+- `code`: 传感器编码
+- `type`: 数据类型
+- `time`: 时间戳
+- `value1`, `value2`, `value3`: 三个轴的振动值
+
+### 数据集说明
+
+- **Non_TMD**: 无调谐质量阻尼器条件下的数据
+- **TMD**: 安装调谐质量阻尼器条件下的数据
+- 包含谐波激励（不同频率和振幅）和地震波激励数据
+
+## 配置说明
+
+主要配置参数在 `src/config.py` 中：
+
+- **数据配置**：
+  - `SEQ_LEN`: 序列长度（512）
+  - `STEP_SIZE`: 滑动窗口步长（20）
+  - `BATCH_SIZE`: 批大小（256）
+
+- **传感器配置**：
+  - `INPUT_SENSOR`: 输入传感器编码（'WSMS00012'）
+  - `OUTPUT_SENSORS`: 输出传感器编码列表
+  - `INPUT_AXIS`: 输入轴（'value1' - X轴）
+  - `OUTPUT_AXIS`: 输出轴（'value3' - Z轴）
+
+- **模型配置**：
+  - `CHANNELS`: TCN各层通道数 [64, 64, 128, 128, 256, 256]
+  - `KERNEL_SIZE`: 卷积核大小（5）
+  - `DROPOUT`: Dropout率（0.2）
+
+- **训练配置**：
+  - `LEARNING_RATE`: 学习率（1e-4）
+  - `EPOCHS`: 训练轮数（50）
+  - `WEIGHT_DECAY`: 权重衰减（1e-3）
+
+## 训练模型
+
+### 基本训练
+
+运行训练脚本：
+
+```bash
+cd src
+python train.py
+```
+
+训练过程会：
+1. 加载Non_TMD条件下的训练和验证数据
+2. 初始化TCN模型
+3. 使用AdamW优化器和学习率调度器训练
+4. 保存最佳模型到 `best_model.pth`
+
+### 高级训练选项
+
+修改 `src/config.py` 中的参数来自定义训练：
+- 调整学习率、批大小等超参数
+- 启用/禁用早停（`ENABLE_EARLY_STOP`）
+- 修改模型架构参数
+
+## 模型评估
+
+运行评估脚本：
+
+```bash
+cd src
+python evaluate.py
+```
+
+评估过程会：
+1. 加载测试数据
+2. 加载训练好的模型权重
+3. 对测试数据进行预测
+4. 生成可视化结果保存为 `test_results.png`
+
+## 模型架构
+
+### BuildingTCN
+
+- **输入**: (batch_size, seq_len, 1) - 底部传感器X轴数据
+- **输出**: (batch_size, seq_len, 5) - 5个传感器的Z轴预测
+- **架构**: 多层TCN + 线性输出层
+
+### TemporalConvNet
+
+- 使用膨胀卷积（dilation）实现长距离依赖
+- 残差连接保证梯度传播
+- 权重归一化提高训练稳定性
+
+## 使用说明
+
+### 自定义数据集
+
+1. 将新数据放入 `downloads/Non_TMD/` 或 `downloads/TMD/` 相应子目录
+2. 确保数据格式符合要求
+3. 修改 `src/config.py` 中的传感器配置（如需要）
+4. 重新运行训练脚本
+
+### 预测新数据
+
+1. 准备输入数据（CSV格式）
+2. 修改 `src/dataset.py` 中的数据加载逻辑
+3. 使用加载的模型进行推理
+
+## 注意事项
+
+- 确保数据目录结构正确
+- GPU内存不足时可适当减小 `BATCH_SIZE`
+- 模型收敛可能需要调整学习率
+- 测试数据可视化仅显示第一个batch的第一条序列
+
+## 贡献
+
+欢迎提交Issue和Pull Request来改进项目。
+
+## 许可证
+
+本项目仅供学习和研究使用。