以下给出了模型介绍与代码解读，点击右侧在线运行代码。

模型介绍

1. 模型概述：

LSTM Encoder-Decoder是最常见的sequence-to-sequence（seq2seq）模型，最早由2014年的经典论文《Sequence to Sequence Learning with Neural Networks》提出，被引量已经过万。该模型的基本思想是用一个RNN网络（编码器）来将输入的序列编码为一个固定长度的向量（context vector），该向量可以被视为整个输入序列的一个抽象表示，然后将该向量作为另一个RNN网络（解码器）的初始输入，并输出任意长度的目标序列。在机动车的轨迹预测任务中，输入为观测到的车辆历史轨迹信息，输出为预测的未来车辆轨迹。

2. 模型架构：

• Encoder采用了一层全连接层，四层LSTM，并且采用了dropout来降低过拟合；
• Decoder的结构和Encoder的结构基本一致，区别在于Decoder每次接受输入的序列长度只有1，然后每次Decoder的输出都作为下一个时间点的预测。
• 最终的Seq2Seq模型结合了Encoder和Decoder，Encoder将输入的所有历史时间步的轨迹编码为一个context vector，然后将其作为Decoder的初始输入，并将Encoder最终的hidden state和cellstate作为Decoder初始的hidden state和cell state，重复使用Decoder来预测下一个时间点的预测，最终输出所有未来时间步的预测轨迹。

3. 具体实现：

• 数据预处理：主要是从csv格式的数据中提取和整理轨迹信息，采用前后时刻的位移矢量而非绝对坐标作为模型输入。
• 训练：采用常用的teacher-forcing技巧，即训练的时候Decoder的输入按照一定概率为上一次的输出或者真实的当前时间点的数据，使得网络能够一定程度上避免时序预测的缺陷（初始预测偏离而导致后续结果受到影响）。
• 测试/评估：使用训练好的模型对所有测试数据进行预测，计算出所需的评价指标。为了保证评估结果的客观性，不使用teacher-forcing。
• 可视化：使用训练好的模型对部分测试数据进行预测，绘制出历史轨迹、真实轨迹和预测轨迹。

0. 准备工作：

• 设备要求：Windows/Linux环境下运行，预装Anaconda/Miniconda；
• 若有英伟达的独立显卡且配置好cuda核，默认采用独立显卡进行训练，否则采用cpu进行；
• 单张4070Ti训练500轮大概需要8min，项目中给出了训练好的案例模型，即results/model/example_best_seq2seq.pt
• 采用的是SinD数据集中提取的部分左转车辆的轨迹片段，数据量较小，代码中的data文件夹已经给出，不需要额外进行下载。

1. 环境配置：

2. 数据预处理：

• dataset_path: 原始数据存放路径
• hist_len: 历史轨迹步数
• fut_len: 预测的未来轨迹步数
• output_path: 预处理好的存放路径

3. 模型训练：

• input_path: 经过预处理的数据的存放路径
• model: 采用的模型
• epochs: 训练轮数
• saved_model_path: 训练好的模型的存放路径

4. 模型评估：

• input_path: 经过预处理的数据的存放路径
• saved_model_path: 训练好的模型的存放路径
• metrics: 评价指标

5. 部分场景可视化：

• input_path: 经过预处理的数据的存放路径
• saved_model_path: 训练好的模型的存放路径
• vis_id: 可视化的场景编号