基于 LSTM 的船舶轨迹预测，测试数据集

卡尔曼滤波轨迹预测代码

该数据集包括2017年和2018年期间从科隆周围德国高速公路的无人机视频记录中提取的11万辆车辆的后处理轨迹，包括汽车和卡车（见图5）。 在六个不同地点，记录了60次，平均长度为17分钟（共16.5小时），覆盖了约420米长的路段。

对高速运动目标采用基于kalman filter进行预测。基于matlab的实现，来进行运动目标的轨迹预测。有卡尔曼算法，扩展卡尔曼滤波，数据拟合方法。

使用pytorch搭建LSTM二维坐标轨迹预测模型 使用[i:i+step]的数据预测下一步的数据。step是步长

采用MALTAB神经网络工具箱对飞行轨迹进行预测。

argoverse HD map 数据集

argoverse forecasting_sample_v1.1数据集

针对大量在空中无秩序飞行的无人机有可能会闯入飞机场等禁飞区的情况，为了避免发生空中交通安全事故，提出了一种无人机禁飞区预警算法。首先，该算法经过坐标变换将描述无人机位置点的GPS坐标转换成对应的平面坐标；接着，采用改进的最小二乘曲线拟合算法预测出无人机的飞行轨迹；然后，通过计算预测的飞行轨迹曲线在当前点的切线是否会与描述禁飞区的电子围栏相交来判断无人机是否会进入禁飞区；同时，所有的无人机都会安装上飞行数据记录模块来实时地为该算法提供无人机的飞行状态信息。最后，通过MATLAB仿真实验验证了该预警算法的可行性和有效性，表明该算法可以对禁飞区周围的无人机进行预警。

人工智能-机器学习-融合复合特征的移动轨迹预测方法的研究与实现.pdf