1. Připravit Python prostředí pomocí:

python -m venv libscity
source libscity/bin/activate
pip install -r requirements.txt

DŮLEŽITÉ: cd do releveantní složky (traffic-data-handler-public nebo libscity-interpreter-public)
Některé funkce na tom záleží

Otestováno na Python 3.13


2. Vše je přichystané - 4 skripty i dummy data - stačí spustit:

	traffic-data-handler-public/csv_sanitizer-libcity.py
	====================================================
		Z CSV dat vytvoří dataset kompatibilní s LibCity formátem
		Vstup bere z data/raw_unpacked, výstup vkláda do data/sanitized
		Složka data/sanitized již obsahuje vytvořený dataset. Pro otestování nejlépe vyprázdnit

	traffic-data-handler-public/main.py
	===================================
		Předpřipravené funkce pro vizualizaci datasetu
		Vytváří grafy použité v práci, jen s jinými daty
		Využívá většinu přítomné funkcionality
		Skript lze upravit a vytvořit vlastní vizualizace!

	libscity-interpreter-public/hypertune_visualizer.py
	===================================================
		Vizualizace výsledků optimalizace hyperparametrů
		Skript vytváří grafy identické těm použitým v práci

	libscity-interpreter-public/main.py
	===================================
		Předpřipravené funkce pro vizualizaci výsledků
		Vytváří grafy použité v práci, jen s jinými daty
		Využívá většinu přítomné funkcionality
		Skript lze upravit a vytvořit vlastní vizualizace!


3. Případné ověření výsledků. složka training_results obsahuje kompletní vyhodnocení většiny natrénováných 
   modelů ve formátu CSV a případné agregace výsledků a výpočet průměru/stdev v ODS souborech
   
