以下给出了模型介绍，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。

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Seq_len为1，然后每次Decoder的输出都作为下一个时刻的输入。
• 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上下文向量，即hidden state，Encoder最终的hidden state和cell state作为Decoder初始的hidden state和cell state。Decoder第一个输入为历史轨迹最后一帧，后续输入为Decoder的预测结果

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，这里为了能达到较好训练效果，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：采用了常用的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。