# Trajectory_Prediction

**Repository Path**: cyuming/Trajectory_Prediction

## Basic Information

- **Project Name**: Trajectory_Prediction
- **Description**: 开源安全目标软件
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 135
- **Created**: 2026-05-27
- **Last Updated**: 2026-05-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Trajectory Prediction for Agent Motion Simulation



本项目面向二维环境中的智能体运动模拟任务。我们把每条轨迹看作一个移动智能体在环境中的观测序列，用历史轨迹去预测未来轨迹，并围绕预测结果扩展了不确定性评估、在线滚动预测、异常检测和逐步误差分析等功能。


典型场景包括：

- 自动驾驶或移动机器人在路网中的轨迹外推
- 多智能体仿真中的未来行为估计
- 离线轨迹回放中的风险分析与质量评估

## 模型概览

主模型定义在 [TCN+Informer+RNN.py](</c:/Users/20199/Desktop/Trajectory_Prediction/TCN+Informer+RNN.py:457>)，整体结构是：

- `TCN`：提取历史轨迹的局部时序模式
- `Cross Attention`：把 TCN 特征桥接到 Informer 编码端
- `Informer`：建模长时依赖和全局时序关系
- `BiLSTM + Linear`：将时序表示解码为未来二维坐标

输入是 `history_len` 步历史轨迹，输出是 `future_steps` 步未来坐标。每个时间步的输入特征包含：

- `x, y`
- 速度
- 转向角

## 目录说明

- [TCN+Informer+RNN.py](</c:/Users/20199/Desktop/Trajectory_Prediction/TCN+Informer+RNN.py:1>)：训练、测试、可视化、功能集成入口
- [data/file_processor.py](</c:/Users/20199/Desktop/Trajectory_Prediction/data/file_processor.py:8>)：轨迹文件解析与可复现打乱
- [feature1_uncertainty.py](</c:/Users/20199/Desktop/Trajectory_Prediction/feature1_uncertainty.py:1>)：MC Dropout 不确定性估计
- [feature2_online_prediction.py](</c:/Users/20199/Desktop/Trajectory_Prediction/feature2_online_prediction.py:1>)：在线滚动预测
- [feature3_anomaly_detection.py](</c:/Users/20199/Desktop/Trajectory_Prediction/feature3_anomaly_detection.py:1>)：轨迹异常检测
- [feature4_stepwise_analysis.py](</c:/Users/20199/Desktop/Trajectory_Prediction/feature4_stepwise_analysis.py:1>)：逐步误差分析与质量报告
- [best_model.pth](</c:/Users/20199/Desktop/Trajectory_Prediction/best_model.pth>)：当前最佳模型权重
- [best_model.pth.config.json](</c:/Users/20199/Desktop/Trajectory_Prediction/best_model.pth.config.json:1>)：该模型对应的数据与结构配置

## 环境依赖

建议使用 Python 3.9+，并安装以下依赖：

```bash
pip install torch pytorch-tcn numpy pandas scikit-learn matplotlib
```

## 数据文件

项目里常用的数据文件有：

- `data/data.txt`：原始文本轨迹数据
- `data/data_11000_resampled.json`：11000 条重采样轨迹，适合复现实验
- `data/data_1000_resampled.json`：较小规模样例数据

建议保持：

- `trajectory_length = history_len + future_steps`

否则程序会发出警告，并在 `TrajectoryDataset` 中进行截断或补零。

## 推荐命令

### 1. 直接复现当前最佳模型测试结果

这条命令会自动读取 `best_model.pth.config.json`，恢复 `300/90/json/11000` 这套配置：

```bash
py -3 .\TCN+Informer+RNN.py --mode test
```

### 2. 复现最佳模型并运行全部分析功能

```bash
py -3 .\TCN+Informer+RNN.py --mode test --run_all_features
```

### 3. 训练 300/90 配置的主实验

```bash
py -3 .\TCN+Informer+RNN.py --mode train --data_file data/data_11000_resampled.json --file_type json --num_trajectories 11000 --history_len 300 --future_steps 90 --trajectory_length 390 --epochs 50 --batch_size 32 --model_path best_model.pth
```

### 4. 测试指定模型

如果模型是本脚本新训练保存的，测试时会自动读取对应配置：

```bash
py -3 .\TCN+Informer+RNN.py --mode test --model_path .\best_model.pth
```

## 单项功能命令

### 不确定性估计

```bash
py -3 .\TCN+Informer+RNN.py --mode test --run_uncertainty
```

### 在线滚动预测

```bash
py -3 .\TCN+Informer+RNN.py --mode test --run_online_prediction
```

### 异常检测

```bash
py -3 .\TCN+Informer+RNN.py --mode test --run_anomaly_detection
```

### 逐步误差分析

```bash
py -3 .\TCN+Informer+RNN.py --mode test --run_stepwise_analysis
```

## 常用可调参数

- `--history_len`：历史轨迹长度
- `--future_steps`：未来预测步数
- `--trajectory_length`：单条轨迹总长度
- `--num_trajectories`：读取的轨迹数量
- `--batch_size`：批大小
- `--epochs`：训练轮数
- `--seed`：数据打乱与切分随机种子
- `--feature_output_dir`：功能模块输出目录

## 输出结果

程序通常会在以下位置保存结果：

- `trajectory_prediction_<history>_<future>/logs`：实验日志
- `trajectory_prediction_<history>_<future>/figures`：训练曲线与示例轨迹图
- `predictions/` 或 `test_predictions/`：最佳轨迹图与功能模块输出

<<<<<<< HEAD

=======
<<<<<<< HEAD
## 说明

- 当前脚本已经修复了旧 checkpoint 在默认 `test` 模式下无法自动恢复配置的问题。
- 对于旧模型，程序会优先读取 `best_model.pth.config.json` 这类 sidecar 配置文件。
- 训练和测试阶段的数据加载日志现在会分别显示数据源、轨迹池规模、切分规模和随机种子，便于复现实验。
=======

>>>>>>> 1703f74 (更新轨迹预测代码)
>>>>>>> 1c9d3bf (更新轨迹预测代码)