基于LSTM的轨迹预测模型：使用Keras实现

基于LSTM的轨迹预测模型：使用Keras实现

本文介绍了一种基于LSTM的轨迹预测模型，使用Keras库实现。该模型可以根据历史轨迹数据预测未来的轨迹。

代码示例

import numpy as np
from keras.layers.core import Dense, Activation, Dropout
from keras.layers import LSTM
from keras.models import Sequential, load_model
from keras.callbacks import Callback
import keras.backend as KTF
import tensorflow as tf
import pandas as pd
import os
import keras.callbacks
import matplotlib.pyplot as plt

# 设定为自增长
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.compat.v1.Session(config=config)
KTF.tf.compat.v1.keras.backend.set_session(session)


def create_dataset(data, n_predictions, n_next, split_ratio):
    '''
    对数据进行处理并按照split_ratio划分测试集和训练集
    '''
    dim = data.shape[1]
    train_X, train_Y = [], []
    test_X, test_Y = [], []
    split_index = int(data.shape[0] * split_ratio)

    for i in range(data.shape[0] - n_predictions - n_next - 1):
        a = data[i:(i + n_predictions), :]
        tempb = data[(i + n_predictions):(i + n_predictions + n_next), :]
        b = []
        for j in range(len(tempb)):
            for k in range(dim):
                b.append(tempb[j, k])
        if i < split_index:
            train_X.append(a)
            train_Y.append(b)
        else:
            test_X.append(a)
            test_Y.append(b)

    train_X = np.array(train_X, dtype='float64')
    train_Y = np.array(train_Y, dtype='float64')
    test_X = np.array(test_X, dtype='float64')
    test_Y = np.array(test_Y, dtype='float64')

    return train_X, train_Y, test_X, test_Y


def NormalizeMult(data, set_range):
    '''
    返回归一化后的数据和最大最小值
    '''
    normalize = np.arange(2 * data.shape[1], dtype='float64')
    normalize = normalize.reshape(data.shape[1], 2)

    for i in range(0, data.shape[1]):
        if set_range == True:
            list = data[:, i]
            listlow, listhigh = np.percentile(list, [0, 100])
        else:
            if i == 0:
                listlow = -90
                listhigh = 90
            else:
                listlow = -180
                listhigh = 180

        normalize[i, 0] = listlow
        normalize[i, 1] = listhigh

        delta = listhigh - listlow
        if delta != 0:
            for j in range(0, data.shape[0]):
                data[j, i] = (data[j, i] - listlow) / delta

    return data, normalize


def trainModel(train_X, train_Y):
    '''
    trainX，trainY: 训练LSTM模型所需要的数据
    '''
    model = Sequential()
    model.add(LSTM(
        120,
        input_shape=(train_X.shape[1], train_X.shape[2]),
        return_sequences=True))
    model.add(Dropout(0.3))

    model.add(LSTM(
        120,
        return_sequences=False))
    model.add(Dropout(0.3))

    model.add(Dense(
        train_Y.shape[1]))
    model.add(Activation('relu'))

    model.compile(loss='mse', optimizer='adam', metrics=['acc'])
    model.fit(train_X, train_Y, epochs=100, batch_size=64, verbose=1)
    model.summary()

    return model


if __name__ == "__main__":
    train_num = 6
    per_num = 1
    # set_range = False
    set_range = True

    # 读入时间序列的文件数据
    data = pd.read_csv('11112_testData.csv', sep=',').iloc[0:, 1:5].values
    # data = pd.read_csv('11112_testData.csv', sep=',').values
    print(data)
    print('样本数：{0}，维度：{1}'.format(data.shape[0], data.shape[1]))
    print(data)

    # 画样本数据库
    plt.plot(data[:, 1], data[:, 0], c='r', label='result of recognition')
    plt.legend(loc='upper left')
    plt.grid()
    plt.show()

    # 归一化
    data, normalize = NormalizeMult(data, set_range)
    # print(normalize)

    # 生成训练数据，并按照70:30划分训练集和测试集
    train_X, train_Y, test_X, test_Y = create_dataset(data, train_num, per_num, 0.7)
    print('x\n', train_X.shape)
    print('y\n', train_Y.shape)

    # 训练模型
    model = trainModel(train_X, train_Y)
    loss, acc = model.evaluate(train_X, train_Y, verbose=2)
    print('Loss : {}, Accuracy: {}'.format(loss, acc * 100))

    # 保存模型
    np.save("traj_model_trueNorm_LSTM.npy", normalize)
    model.save("./traj_model_120_LSTM.h5")

代码说明

1. 数据预处理:
   • NormalizeMult 函数对数据进行归一化处理，使不同特征之间的量纲一致，有利于模型训练。
   • create_dataset 函数将原始数据转换为适合LSTM模型训练的输入输出格式，并按照70:30的比例划分训练集和测试集。
2. 模型训练:
   • 使用Keras构建LSTM模型，并使用adam优化器和mse损失函数进行训练。
3. 模型评估:
   • 使用训练集评估模型的损失和准确率。
4. 模型保存:
   • 使用np.save保存归一化参数，以便在预测时使用。
   • 使用model.save保存训练好的模型。

总结

本文介绍了基于LSTM的轨迹预测模型，并提供了完整的代码示例。该模型可以根据历史轨迹数据预测未来的轨迹，在交通流量预测、无人驾驶等领域具有广泛的应用前景。

注意

• 代码中的11112_testData.csv 文件需要自行准备，该文件包含时间序列数据，每一行代表一个时间点，每一列代表一个特征。
• 代码中的参数 train_num 和 per_num 可以根据实际情况调整，分别代表预测的步长和未来预测的步长。
• 代码中使用 GPU 训练模型，如果您的电脑没有 GPU，可以将 os.environ['CUDA_VISIBLE_DEVICES'] = '0' 注释掉。
• 代码中使用 tf.compat.v1 版本的 TensorFlow，如果您的 TensorFlow 版本不是 v1，请根据实际情况进行修改。

希望本文能够帮助您理解基于LSTM的轨迹预测模型，并能够在实际项目中应用。