混合示教长短时记忆网络的车辆轨迹预测研究

鉴于本论文的内容及代码被别有用心之人发布于CSDN上进行牟利，正主将论文与代码发布于此。
代码见码云：代码

介绍

论文"混合示教长短时记忆网络的车辆轨迹预测研究"中数据处理及MTF-LSTM模型实现代码，模型在Pytorch框架下实现。

依赖包

numpy 1.23.4 
torch 1.10.1 
sklearn 0.0 
scikit-learn 0.24.2

数据处理

本文用到的数据集是NGSIM US101和I-80路段数据 数据集百度云盘下载地址：https://pan.baidu.com/s/17j0gR-vVW2chDv0JAZlJZQ 提取码：xklg 云盘中所给到的数据集中包含原始数据集、处理后数据集和训练好的模型，采用处理后的数据集可直接进入模型训练和模型测试阶段。

NGSIM数据处理

NGSIM数据处理流程如图所示：

第1步：轨迹数据滤波，将原始US101和I-80的原始数据放入下图文件夹，运行代码"trajectory_denoise.py"，结果如下：

第2步：移除不必要特征以及添加新特征，运行代码"preprocess.py"，结果如下：

第3步：根据需要添加横、纵向速度和加速度特征，运行代码"add_v_a.py"，结果如下：

第4步：按照滑动窗口法提取所需8s轨迹序列，运行代码"final_DP.py"，结果如下：

第5步：最终合并US101和I-80数据集，为保证数据的均衡性以及充分利用数据集，随机采样10组数据集，每组按照6:2:2的比例划分训练集、测试集和验证集；运行代码"merge_data.py".

模型训练及测试

MTF-LSTM模型训练，运行代码"MTF-LSTM.py"

MTF-LSTM-SP模型训练，运行代码"MTF-LSTM-SP.py"

本文训练好的MTF-LSTM和MTF-LSTM-SP模型保存在文件夹/algorithm/models中，可直接运行来看模型训练效果，鉴于存储空间太大，放入云盘中，通过上述链接可下载。 将models文件夹直接放入algorithm文件夹即可运行。

MTF-LSTM模型：运行"MTF-LSTM-test.py" MTF-LSTM-SP模型：运行"MTF-LSTM-SP-test.py"

论文引用

方华珍,刘立,肖小凤等.混合示教长短时记忆网络的车辆轨迹预测研究[J].交通运输系统工程与信息,2023,23(04):80-87.

后记

有任何代码问题，在码云Issues提问或者评论