pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip 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： image 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： image 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： image 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： image 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

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。

NGSIM trajectory prediction

对NGSIM数据做了交互信息处理后的保存的数据集,与原数据集相比,这里面包含了车辆的交互信息。

最新车辆轨迹预测经典书籍，采用多模型进行卡尔曼滤波，结合地图信息进行卡尔曼滤波，结合航迹推断进行卡尔曼滤波，采用智能手机进行轨迹推断等各种方法进行轨迹预测

采用深度学习的方法预测车辆长期运行轨迹，通过prescan采集原始数据，建立车辆轨迹的模型。

作为卡尔曼滤波预测车辆轨迹用到的CA，CV,CCA,CCV,CTRV,CTRA经典模型

有关在高速公路上智能车轨迹预测主要方法的优缺点汇总。