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