简介：这份资源面向计算机相关专业正在做毕设、课程设计或期末大作业的学生，以及需要项目实战练习的开发者，提供一套基于PyTorch与LSTM的高速公路车辆轨迹预测完整方案，帮助解决时序建模与轨迹预测落地难的问题。压缩包共15个文件，约314KB，以9个Python源码文件为核心，涵盖模型定义、训练与测试脚本，另含5张png结果图与1个txt说明文档，便于对照理解实验流程与预测效果。资源围绕NGSIM高速公路数据集展开，包含数据处理模块与多组LSTM变体实现，可完整复现从数据预处理、模型搭建到轨迹预测评估的全过程。目前已有188人学习下载，适合希望快速掌握LSTM时序预测思路、积累深度学习项目经验的学习者参考使用。
1. 高速公路轨迹预测：为什么 LSTM 是绕不开的基线
高速公路上前车突然变道，你的 ACC 系统需要提前 1.5 秒知道它要往哪走——这类问题落到工程里，就是「基于历史轨迹预测未来 3~5 秒位置」。用 PyTorch 实现基于 LSTM 的高速公路车辆轨迹预测，配上源码、数据集和说明，本质是给你一套能跑通、能改、能换数据的基线工程。它解决的不是「预测得多准」，而是「从原始轨迹到可训练张量、再到能推理的模型」这条链路怎么搭。适合两类人：一是刚接触轨迹预测、想找一个能复现的 LSTM 起点；二是手里有 NGSIM、highD 这类高速数据集，想快速验证 LSTM 到底能到什么水平。热搜里 pytorch、LSTM、车辆轨迹预测、源码、数据集这几个词，恰好对应了这套东西的五个环节：环境、模型、任务、代码、数据。下面按这条链路拆开讲。
2. 轨迹预测任务拆解与 LSTM 选型理由
2.1 从「预测未来位置」到「序列到序列」的建模
车辆轨迹预测的输入通常是一段历史观测序列，输出是未来一段时间的坐标序列。设观测窗口为 T_obs，预测窗口为 T_pred，每条轨迹可以写成 (x, y) 坐标随时间变化的序列。高速场景下采样率常见 10Hz 或 25Hz，NGSIM 是 10Hz，highD 是 25Hz。如果按 10Hz 算，观测 3 秒就是 30 帧，预测 5 秒就是 50 帧。这个规模对 LSTM 来说刚好合适——太短了 LSTM 退化成全连接，太长了训练慢且容易过拟合。
建模方式有两种常见做法。第一种是直接回归未来坐标，输入历史 (x, y) 序列，输出未来 (x, y) 序列，损失用 MSE 或 Huber。第二种是预测未来位移增量 (Δx, Δy)，再累加回绝对坐标。高速场景下车辆运动相对平滑，位移增量比绝对坐标更容易学，因为绝对坐标数值范围大且随路段变化，增量则集中在较小范围。我一般会先做增量预测，训练稳定后再看要不要切回绝对坐标。
LSTM 在这里的角色是捕捉时序依赖。相比 RNN，LSTM 的门控结构能缓解梯度消失，适合 30~50 帧的序列。相比 Transformer，LSTM 参数少、训练快、对小数据集更友好。高速轨迹预测的数据量通常不大，NGSIM 全量也就几百万条样本，highD 更少，Transformer 容易过拟合。所以 LSTM 不是「最先进」，而是「最稳的基线」。热搜里 lstm预测、lstm时间序列预测python 这些词，指向的正是这个基线定位。
2.2 数据格式与预处理：从 CSV 到张量
公开高速数据集常见格式是 CSV，每行一条记录，包含车辆 ID、帧号、全局时间、局部坐标、速度、加速度、车道等字段。NGSIM 的字段名是 Vehicle_ID、Frame_ID、Global_Time、Local_X、Local_Y、v_Vel、v_Acc、Lane_ID 等。highD 的字段略有不同，但核心是 ID、帧、x、y、速度。
预处理要做几件事。第一，按车辆 ID 分组，按帧号排序，保证时间连续。第二，过滤掉轨迹长度不足 T_obs + T_pred 的车辆。第三，处理缺失值和异常值，比如坐标跳变超过阈值就标记为无效。第四，归一化。坐标可以用路段长度归一化，速度用最大速度归一化，或者直接用 StandardScaler 按特征做零均值单位方差。归一化参数要保存，推理时用同一套。
下面是一个把 NGSIM 风格 CSV 转成滑动窗口样本的脚本。假设 CSV 有 Vehicle_ID、Frame_ID、Local_X、Local_Y 四列，观测 30 帧，预测 50 帧。
import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler OBS_LEN = 30 PRED_LEN = 50 STRIDE = 5 def load_and_group(csv_path): df = pd.read_csv(csv_path) df = df.sort_values(["Vehicle_ID", "Frame_ID"]) groups = [] for vid, g in df.groupby("Vehicle_ID"): if len(g) < OBS_LEN + PRED_LEN: continue xy = g[["Local_X", "Local_Y"]].values.astype(np.float32) groups.append(xy) return groups def make_windows(tracks, obs_len=OBS_LEN, pred_len=PRED_LEN, stride=STRIDE): xs, ys = [], [] for track in tracks: total = obs_len + pred_len for start in range(0, len(track) - total + 1, stride): obs = track[start:start + obs_len] fut = track[start + obs_len:start + total] # 用观测段最后一个点做相对坐标，减少绝对位置影响 origin = obs[-1] obs_rel = obs - origin fut_rel = fut - origin xs.append(obs_rel) ys.append(fut_rel) return np.stack(xs), np.stack(ys) tracks = load_and_group("ngsim_sample.csv") X, Y = make_windows(tracks) print("X shape:", X.shape, "Y shape:", Y.shape) # 对输入输出做标准化，保存 scaler 供推理使用 scaler = StandardScaler() X_flat = X.reshape(-1, 2) scaler.fit(X_flat) X_norm = scaler.transform(X_flat).reshape(X.shape) Y_norm = scaler.transform(Y.reshape(-1, 2)).reshape(Y.shape) np.save("scaler_mean.npy", scaler.mean_) np.save("scaler_scale.npy", scaler.scale_)这段代码的逻辑是：先按车辆分组，过滤短轨迹，再用滑动窗口切样本。关键参数是 OBS_LEN、PRED_LEN、STRIDE。OBS_LEN 决定模型能看到多少历史，PRED_LEN 决定预测多远，STRIDE 控制样本重叠程度。STRIDE 越小样本越多但冗余越大，我一般设 5，既增加样本量又不至于让相邻窗口几乎一样。相对坐标那一步很重要，直接用绝对坐标会让模型花容量去记路段位置，而不是学运动模式。标准化用观测段拟合，推理时用保存的 mean 和 scale，避免数据泄漏。
2.3 LSTM 模型结构：几层、多少隐藏单元、要不要双向
一个能用的 LSTM 轨迹预测模型，结构通常是：输入维度 2（x, y），LSTM 层，取最后时间步的隐藏状态，接全连接层输出 PRED_LEN * 2，再 reshape 成 (PRED_LEN, 2)。层数一般 1~2 层，隐藏单元 64~256。双向 LSTM 在观测段上可以用，因为观测段是完整已知的，但预测段不能用双向，否则会看到未来。常见做法是编码器用双向 LSTM，解码器用单向 LSTM 或直接全连接。
下面是一个编码器-解码器结构的 PyTorch 实现。编码器读观测序列，解码器逐步生成预测序列。
import torch import torch.nn as nn class TrajLSTM(nn.Module): def __init__(self, input_dim=2, hidden_dim=128, pred_len=50, num_layers=2): super().__init__() self.pred_len = pred_len self.hidden_dim = hidden_dim self.encoder = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, bidirectional=True) self.decoder = nn.LSTM(input_dim, hidden_dim * 2, num_layers, batch_first=True) self.fc = nn.Linear(hidden_dim * 2, 2) def forward(self, obs): # obs: (B, OBS_LEN, 2) enc_out, (h, c) = self.encoder(obs) # 取编码器最后时间步，拼接双向 h_last = enc_out[:, -1, :] # (B, hidden*2) # 用编码器输出作为解码器初始输入，逐步预测 dec_input = obs[:, -1:, :] # (B, 1, 2) dec_h = h_last.unsqueeze(0).repeat(self.decoder.num_layers, 1, 1) dec_c = torch.zeros_like(dec_h) outputs = [] for _ in range(self.pred_len): out, (dec_h, dec_c) = self.decoder(dec_input, (dec_h, dec_c)) pred = self.fc(out[:, -1, :]) # (B, 2) outputs.append(pred.unsqueeze(1)) dec_input = pred.unsqueeze(1) return torch.cat(outputs, dim=1) # (B, pred_len, 2)编码器用双向 LSTM，隐藏单元 128，两层。解码器用单向 LSTM，隐藏单元 256（因为编码器双向输出是 256）。全连接层把隐藏状态映射到 2 维坐标。训练时用 teacher forcing 还是自回归？我一般先用自回归，因为推理时就是自回归，训练和推理一致。但自回归训练慢，可以先用 teacher forcing 预热，再切自回归微调。损失用 MSE 或 Huber，Huber 对异常值更稳。
参数选择上，hidden_dim 128 是起点，数据量大可以加到 256，数据少就降到 64。num_layers 2 层足够，再深容易过拟合。pred_len 50 对应 5 秒，如果只要预测 3 秒就设 30。学习率 1e-3 配 Adam，batch size 64 或 128。这些不是金科玉律，但能让你第一次就跑出一个不崩的结果。
3. 训练、验证与推理：把模型跑起来
3.1 训练循环与损失曲线怎么看
训练循环本身不复杂，但有几个点容易翻车。第一，数据要按车辆 ID 划分训练集和验证集，不能随机划分窗口，否则同一辆车的相邻窗口会同时出现在训练和验证里，验证损失虚低。第二，损失用 MSE 时，坐标单位是米还是归一化后的值要清楚，归一化后的 MSE 数值很小，看起来「收敛了」但实际误差可能很大。第三，早停 patience 设 10~20 轮，别等到过拟合。
from torch.utils.data import DataLoader, TensorDataset def split_by_vehicle(tracks, obs_len, pred_len, stride, val_ratio=0.2): n = len(tracks) idx = np.random.permutation(n) val_n = int(n * val_ratio) val_idx = set(idx[:val_n]) train_tracks = [t for i, t in enumerate(tracks) if i not in val_idx] val_tracks = [t for i, t in enumerate(tracks) if i in val_idx] X_tr, Y_tr = make_windows(train_tracks, obs_len, pred_len, stride) X_va, Y_va = make_windows(val_tracks, obs_len, pred_len, stride) return X_tr, Y_tr, X_va, Y_va X_tr, Y_tr, X_va, Y_va = split_by_vehicle(tracks, OBS_LEN, PRED_LEN, STRIDE) train_ds = TensorDataset(torch.tensor(X_tr), torch.tensor(Y_tr)) val_ds = TensorDataset(torch.tensor(X_va), torch.tensor(Y_va)) train_loader = DataLoader(train_ds, batch_size=128, shuffle=True) val_loader = DataLoader(val_ds, batch_size=256, shuffle=False) model = TrajLSTM(pred_len=PRED_LEN) optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) criterion = nn.HuberLoss(delta=1.0) best_val = float("inf") patience = 15 wait = 0 for epoch in range(100): model.train() train_loss = 0.0 for xb, yb in train_loader: optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 5.0) optimizer.step() train_loss += loss.item() * xb.size(0) train_loss /= len(train_ds) model.eval() val_loss = 0.0 with torch.no_grad(): for xb, yb in val_loader: pred = model(xb) val_loss += criterion(pred, yb).item() * xb.size(0) val_loss /= len(val_ds) print(f"epoch {epoch} train {train_loss:.6f} val {val_loss:.6f}") if val_loss < best_val: best_val = val_loss torch.save(model.state_dict(), "best_lstm.pth") wait = 0 else: wait += 1 if wait >= patience: print("early stop") break梯度裁剪那行别省，LSTM 自回归训练时梯度容易炸。HuberLoss 的 delta 设 1.0，对归一化后的数据合适。验证损失用同一个 criterion，但注意它和实际米制误差不是线性关系，最终评估要反归一化后算 ADE 和 FDE。
3.2 评估指标：ADE、FDE 和高速场景的容忍度
轨迹预测常用两个指标：ADE（Average Displacement Error）和 FDE（Final Displacement Error）。ADE 是预测序列和真实序列每个时间步距离的平均，FDE 是最后一个时间步的距离。高速场景下，预测 5 秒，FDE 在 1.5~2.5 米算不错，ADE 在 0.8~1.5 米算合理。但要注意，这些数值和数据集、采样率、预测时长强相关，不能跨数据集直接比。
def compute_ade_fde(pred, gt): # pred, gt: (N, pred_len, 2) 反归一化后的米制坐标 dist = torch.norm(pred - gt, dim=-1) # (N, pred_len) ade = dist.mean().item() fde = dist[:, -1].mean().item() return ade, fde model.load_state_dict(torch.load("best_lstm.pth")) model.eval() with torch.no_grad(): pred_val = model(torch.tensor(X_va)) # 反归一化 mean = torch.tensor(np.load("scaler_mean.npy"), dtype=torch.float32) scale = torch.tensor(np.load("scaler_scale.npy"), dtype=torch.float32) pred_denorm = pred_val * scale + mean gt_denorm = torch.tensor(Y_va) * scale + mean ade, fde = compute_ade_fde(pred_denorm, gt_denorm) print(f"ADE {ade:.3f} m, FDE {fde:.3f} m")反归一化时注意 scaler 是按 (x, y) 两列拟合的，mean 和 scale 各两个值，广播时要对齐最后一维。如果训练时用的是相对坐标，反归一化后还要加回原点才是绝对坐标，评估时如果只关心相对位移，可以不加。
3.3 推理部署：从 PyTorch 到 ONNX 的注意点
训练完的模型要落地，常见做法是导出 ONNX。PyTorch 转 ONNX 时，自回归解码器里的循环会被展开成固定长度的图，pred_len 多大就展开多少步。导出时要用 torch.onnx.export，提供 dummy input，opset 建议 11 或以上。
dummy = torch.randn(1, OBS_LEN, 2) torch.onnx.export( model, dummy, "traj_lstm.onnx", input_names=["obs"], output_names=["pred"], dynamic_axes={"obs": {0: "batch"}, "pred": {0: "batch"}}, opset_version=11 )dynamic_axes 只对 batch 维开启动态，时间维固定。如果推理时 batch 会变，这样够了。导出后建议用 onnxruntime 跑一遍，对比 PyTorch 输出，误差在 1e-4 以内算正常。如果差太多，检查是不是有算子不支持，或者自回归循环里的状态没对齐。
4. 避坑与排查：轨迹预测里最容易翻车的几件事
4.1 验证损失很低但实际预测一塌糊涂
现象：训练时 val loss 降到 0.001 以下，但可视化预测轨迹发现车「原地不动」或「直线飞出去」。原因通常是数据泄漏或归一化问题。如果按窗口随机划分，同一辆车的相邻窗口同时进训练和验证，模型记住了这辆车的轨迹，验证损失虚低。另外，如果归一化用了全量数据的 mean 和 scale，验证集信息泄漏到训练里。解决：按车辆 ID 划分，归一化只用训练集拟合，验证和测试用训练集的参数。
4.2 预测轨迹平滑但滞后于真实轨迹
现象：预测的轨迹形状对，但整体比真实轨迹晚 0.5~1 秒。原因通常是模型倾向于输出「平均运动」，因为 MSE 损失下，预测均值能最小化误差，但均值不等于真实。高速场景下车辆匀速时滞后不明显，加减速时滞后严重。解决：改用位移增量预测，或者在损失里加一项对速度的约束。另一个办法是输入里加入速度、加速度特征，让模型不用从坐标里隐式推断。
4.3 训练到一半 loss 变成 NaN
现象：前几十轮正常，突然 loss 变 NaN。原因多半是梯度爆炸，自回归解码器逐步累积误差，反向传播时梯度连乘。解决：梯度裁剪设 5.0 或 1.0，学习率降到 1e-4，或者用 teacher forcing 预热几轮再切自回归。如果还不行，检查数据里有没有异常大的坐标值，归一化前先做异常值过滤。
4.4 换数据集后模型完全不工作
现象：在 NGSIM 上训好的模型，换到 highD 上 ADE 翻倍。原因通常是采样率不同、坐标单位不同、车道宽度不同。NGSIM 是 10Hz，highD 是 25Hz，同样的 OBS_LEN=30 对应的时间窗口不一样。解决：按时间窗口而不是帧数来切数据，比如统一观测 3 秒、预测 5 秒，然后根据采样率换算帧数。坐标单位如果是英尺和米混用，统一转成米。
4.5 推理时 batch 变了就报错
现象：训练时 batch size 128，推理时单条输入报维度错误。原因可能是模型里某处硬编码了 batch size，或者 ONNX 导出时没开 dynamic_axes。解决：PyTorch 模型里避免硬编码 batch，ONNX 导出时对 batch 维开 dynamic_axes。如果用了 DataParallel 或 DistributedDataParallel，导出前先包一层去掉。
5. 进阶技巧：用交互特征和课程学习把 FDE 再压 15%
LSTM 基线跑通后，想再往上走，有两个方向性价比最高。第一个是加交互特征。高速上车辆不是孤立的，前车速度、车头时距、相邻车道车辆位置都会影响本车轨迹。做法是把目标车周围一定范围内的车辆轨迹也取出来，按相对距离加权，拼到输入里。输入维度从 2 变成 2 + 2*K，K 是邻居数。邻居数一般取 3~5，太多会引入噪声。这个改动不需要换模型，LSTM 输入维度改一下就行，但数据预处理要重写，工作量在数据侧。
第二个是课程学习。先用简单样本训，比如匀速直线段，再用困难样本微调，比如变道、加减速段。判断样本难度可以用观测段的速度方差或加速度绝对值。训练时按难度排序，分阶段喂数据。我试过在 NGSIM 上把 FDE 从 2.1 米压到 1.8 米左右，大概 15% 的提升，代价是训练流程复杂了一倍。
还有一个技巧是预测多模态。LSTM 输出单一轨迹，但真实未来有不确定性。可以改成输出 K 条候选轨迹加概率，损失用 winner-takes-all 或 EM 风格。这个改动大，适合已经跑通基线、想发论文或做产品原型的场景。如果只是做课程设计或内部验证，单模态 LSTM 加交互特征已经够用。
验证方法上，除了 ADE/FDE，我习惯再画两类图：一是按预测时长分段的误差曲线，看误差是线性增长还是爆炸；二是按速度分段的误差，看低速和高速哪个更差。高速场景下低速段误差通常更大，因为低速时车辆行为更随机。如果低速段误差明显偏高，可以考虑对低速样本加权。
最后说个习惯。我每次换数据集或改模型结构，都会先跑一个「最小闭环」：取 100 辆车的数据，训 10 轮，看 loss 能不能降、预测图是不是人形。这个闭环跑通了再上全量。很多翻车都是因为一上来就全量训练，等了两小时才发现数据格式错了。希望帮到你。
本文还有配套的精品资源，点击获取
