Thanks to visit codestin.com
Credit goes to github.com

Skip to content

BistuCS/traj

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

3 Commits
association
association
 
 
prediction
prediction
 
 
.gitignore
.gitignore
 
 
README.md
README.md
 
 

Repository files navigation

轨迹预测模块 (Trajectory Prediction Module)

核心功能

1. 数据接收与解析

  • 自适应CSV文件读取，自动识别必选字段（ts/id/x/y/z）和辅助字段
  • 智能时间格式解析，支持"MM:SS.mmm"等多种时间表示
  • 动态字段装载，无需修改代码即可适配新数据源

2. 数据预处理

  • 去重处理：基于ts+id+x+y+z唯一标识删除重复数据
  • 异常值过滤：XYZ坐标范围校验（可配置）
  • 数据清洗统计：输出处理前后数据统计信息

3. 轨迹预测

卡尔曼滤波预测

  • 基于状态空间模型的最优估计
  • 适用于线性运动目标的快速预测
  • 计算开销小，实时性好

LSTM深度学习预测

  • 基于PyTorch实现的长短期记忆网络
  • 能够捕捉复杂非线性轨迹模式
  • 支持模型持久化和增量训练

混合预测（推荐）

  • 加权融合卡尔曼和LSTM结果
  • 默认权重：卡尔曼0.3 + LSTM 0.7
  • 兼顾稳定性和准确性

4. 结果导出

  • CSV格式预测结果导出
  • JSON格式开发接口数据转换
  • 时间戳格式与原数据保持一致

模块结构

prediction/
├── data_receiver.py          # 自适应数据接收器
├── data_preprocessor.py      # 数据预处理模块
├── predictor.py              # 轨迹预测核心模块
├── config.yaml               # 系统配置文件
│
├── main.py                   # 命令行批处理入口
├── app.py                    # Web API服务入口
│
├── models/                   # LSTM模型存储目录
│   ├── model_{id}.pth        # 各目标的LSTM模型
│   └── scaler_{id}.npy       # 对应的标准化器
│
└── data/                     # 数据目录
    ├── 1.csv                 # 示例输入数据
    └── predict_result.csv    # 预测结果输出

数据流向

CSV文件 → AdaptiveDataReceiver → DataPreprocessor → TrajectoryPredictor
                                    ↓
                            按ID分组 → 选择预测模式
                                    ↓
                          Kalman / LSTM / Hybrid
                                    ↓
                            结果导出 & 关联分析

快速开始

环境准备

系统要求：

  • Python 3.8 或更高版本
  • CUDA（可选，用于GPU加速LSTM训练）

安装依赖：

pip install flask pandas torch numpy scikit-learn pyyaml filterpy scipy

如需GPU加速，请根据CUDA版本安装对应版本的PyTorch：

pip install torch --index-url https://download.pytorch.org/whl/cu118

运行方式

方式一：命令行批处理

  1. 准备CSV数据文件，放置在 data/ 目录下
  2. 编辑 main.py 选择预测模式： 
    PREDICT_MODE = "HYBRID"  # 可选：KALMAN / LSTM / HYBRID
  3. 运行程序： 
    python main.py
  4. 查看结果：
    • 控制台输出统计信息
    • data/predict_result.csv - 预测结果文件

方式二：Web API服务

  1. 启动服务： 
    python app.py
  2. 访问可视化界面： 
    http://127.0.0.1:5201
  3. 上传CSV文件进行预测

配置说明

配置文件 config.yaml 包含所有可调参数：

CSV读取配置

csv:
  default_encoding: "utf-8"    # 文件编码
  delimiter: ","               # 分隔符
  header_row: 0                # 表头行号

数据预处理配置

preprocess:
  x_range: [-180.0, 180.0]    # X坐标有效范围（经度）
  y_range: [-90.0, 90.0]      # Y坐标有效范围（纬度）
  z_range: [-1000.0, 10000.0] # Z坐标有效范围（高度）

预测配置

predict:
  predict_steps: 15            # 预测未来点数（默认15步）
  
  # 卡尔曼滤波参数
  kalman:
    process_noise: 0.01        # 过程噪声协方差
    measure_noise: 0.1         # 测量噪声协方差
  
  # LSTM神经网络参数
  lstm:
    look_back: 5               # 历史窗口大小（使用前5个点预测）
    epochs: 30                 # 训练轮数
    batch_size: 2              # 批次大小
    units: 32                  # LSTM隐藏层单元数
    lr: 0.001                  # 学习率
    model_save_dir: "./models" # 模型保存路径
  
  # 混合预测权重
  hybrid:
    kalman_weight: 0.3         # 卡尔曼权重
    lstm_weight: 0.7           # LSTM权重
  
  # 输出配置
  output:
    result_csv_path: "data/predict_result.csv"  # 结果输出路径

参数调优建议

参数 调整方向 影响
predict_steps 增大 预测更远未来，但精度可能下降
look_back 增大 考虑更长历史，需要更多训练数据
epochs 增大 训练更充分，但耗时增加
units 增大 模型容量更大，可能过拟合
kalman_weight 调整 平衡线性和非线性预测

使用示例

示例1：命令行批处理

from data_receiver import AdaptiveDataReceiver
from data_preprocessor import DataPreprocessor
from predictor import TrajectoryPredictor

# 1. 读取数据
receiver = AdaptiveDataReceiver()
raw_data = receiver.load_csv("data/1.csv")

# 2. 数据预处理
preprocessor = DataPreprocessor(receiver.config)
clean_data = preprocessor.process(raw_data)

# 3. 按目标ID分组
predictor = TrajectoryPredictor(receiver.config)
grouped_data = predictor.group_by_id(clean_data)
print(f"🎯 目标总数：{len(grouped_data)}")

# 4. 执行预测（选择一种模式）
# 模式1：卡尔曼滤波
predict_result = predictor.predict_kalman(grouped_data)

# 模式2：LSTM深度学习
# predict_result = predictor.predict_lstm(grouped_data)

# 模式3：混合预测（推荐）
# predict_result = predictor.predict_hybrid(grouped_data)

# 5. 导出结果
if predict_result:
    predictor.export_to_csv(predict_result)
    print(f"✅ 预测完成，共 {len(predict_result)} 个目标")

示例2：Web API调用

import requests

# 上传CSV文件进行预测
url = "http://127.0.0.1:5201/upload"
files = {"file": open("prediction/data/1.csv", "rb")}
response = requests.post(url, files=files)

result = response.json()
if result["ok"]:
    history = result["history"]  # 历史轨迹
    predict = result["predict"]  # 预测点
    assoc = result["assoc"]  # 关联轨迹
    print(f"✅ 预测成功！")
else:
    print(f"❌ 预测失败：{result['err']}")

示例3：自定义配置

import yaml

# 加载配置
with open("config.yaml", "r", encoding="utf-8") as f:
    config = yaml.safe_load(f)

# 修改预测步数为30步
config["predict"]["predict_steps"] = 30

# 调整混合权重
config["predict"]["hybrid"]["kalman_weight"] = 0.4
config["predict"]["hybrid"]["lstm_weight"] = 0.6

# 创建预测器
predictor = TrajectoryPredictor(config)

API接口

核心类说明

1. AdaptiveDataReceiver（数据接收器）

功能：自适应CSV文件解析，自动识别字段

初始化：

receiver = AdaptiveDataReceiver(config_path="./config.yaml")

方法：

# 加载CSV文件
raw_data = receiver.load_csv("data/1.csv")
# 返回：List[RadarData]

数据结构：

@dataclass
class RadarData:
    ts: datetime        # 时间戳
    id: Any             # 目标ID
    x: float            # X坐标
    y: float            # Y坐标
    z: float            # Z坐标
    aux: Dict[str, Any] # 辅助字段（自动识别）

2. DataPreprocessor（数据预处理器）

功能：数据去重和异常值过滤

初始化：

preprocessor = DataPreprocessor(config)

方法：

# 执行预处理
clean_data = preprocessor.process(raw_data)
# 返回：List[RadarData]

处理流程：

  1. 基于ts+id+x+y+z去重
  2. XYZ坐标范围校验
  3. 输出统计信息

3. TrajectoryPredictor（轨迹预测器）

功能：核心预测引擎，支持三种预测模式

初始化：

predictor = TrajectoryPredictor(config)

方法：

group_by_id - 按目标ID分组
grouped_data = predictor.group_by_id(clean_data)
# 返回：Dict[target_id, List[RadarData]]
predict_kalman - 卡尔曼滤波预测
result = predictor.predict_kalman(grouped_data)
predict_lstm - LSTM深度学习预测
result = predictor.predict_lstm(grouped_data, train_new=True)
# train_new: 是否重新训练模型（默认True）
predict_hybrid - 混合预测
result = predictor.predict_hybrid(grouped_data)
export_to_csv - 导出CSV
predictor.export_to_csv(result, csv_path="data/predict_result.csv")
convert_to_develop_interface - 转换为开发接口格式
interface_data = predictor.convert_to_develop_interface(result)
# 返回：Dict[time_str, List[Dict]]

返回结果格式：

{
    target_id: {
        "predictions": [
            {
                "predict_ts": datetime,      # 预测时间（datetime对象）
                "predict_ts_str": "MM:SS.m", # 预测时间（字符串）
                "x": 116.4,                  # 预测X坐标
                "y": 39.9,                   # 预测Y坐标
                "z": 50.0,                   # 预测Z坐标
                "step": 1                    # 预测步数
            },
            ...
        ],
        "history_count": 100  # 历史数据点数
    }
}

数据格式

输入CSV格式

必选字段：

字段名 类型 说明 示例
ts 字符串 时间戳 "12:30.123"
id 整数/字符串 目标唯一标识 1, 2, "target_001"
x 浮点数 X坐标（经度） 116.4074
y 浮点数 Y坐标（纬度） 39.9042
z 浮点数 Z坐标（高度） 50.0

辅助字段：

  • 自动识别并保留在 RadarData.aux 中
  • 不影响预测逻辑
  • 示例：speed, heading, radar_id等

示例数据：

ts,id,x,y,z,speed
12:30.123,1,116.4074,39.9042,50.0,12.5
12:31.456,1,116.4080,39.9050,51.0,13.0
12:30.234,2,116.5000,40.0000,52.0,11.8

输出CSV格式

ts,id,x,y,z
12:32.789,1,116.4090,39.9060,52.0
12:34.122,1,116.4100,39.9070,53.0
...

Web API响应格式

{
  "ok": true,
  "history": {
    "1": [
      {"ts": 1672531800.0, "lng": 116.4074, "lat": 39.9042, "z": 50.0},
      ...
    ]
  },
  "predict": [
    {"id": 1, "ts": "12:32.789", "lng": 116.4090, "lat": 39.9060, "z": 52.0},
    ...
  ],
  "assoc": [
    {"tra_id": 1, "ts": "12:30.123", "lng": 116.4074, "lat": 39.9042, "z": 50.0},
    ...
  ]
}

算法详解

1. 卡尔曼滤波（Kalman Filter）

原理

卡尔曼滤波是一种递归的状态估计算法，通过预测-更新两步循环，对系统状态进行最优估计。

实现细节

# 状态向量：[x, y, z]
# 观测模型：直接观测位置
# 状态转移：基于速度外推

# 预测步骤
p_predict = p + Q  # 协方差预测
x_pred = x_est     # 状态预测

# 更新步骤
K = p_predict / (p_predict + R)  # 卡尔曼增益
x_est = x_pred + K * (z_meas - x_pred)  # 状态更新
p = (1 - K) * p_predict  # 协方差更新

多步预测

# 基于最后两点的速度进行递推外推
vx = last_x - prev_x
vy = last_y - prev_y
vz = last_z - prev_z

next_x = last_x + vx
next_y = last_y + vy
next_z = last_z + vz

优缺点

  • ✅ 优点：计算快、稳定性好、适合线性运动
  • ❌ 缺点：难以捕捉复杂非线性轨迹

2. LSTM神经网络

原理

长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），能够学习长期依赖关系，适合时序预测任务。

网络结构

class TrajectoryLSTM(nn.Module):
    def __init__(self, input_size=3, hidden_size=32, output_size=3, predict_steps=15):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size * predict_steps)
    
    def forward(self, x):
        out, _ = self.lstm(x)
        out = self.fc(out[:, -1, :])  # 取最后一个时间步
        out = out.view(-1, predict_steps, 3)
        return out

数据预处理

# 1. 构建序列样本
# 输入：[t-5, t-4, t-3, t-2, t-1] -> 输出：[t]
X, y = [], []
for i in range(look_back, len(data)):
    X.append(data[i-look_back:i])
    y.append(data[i])

# 2. MinMaxScaler标准化
scaler = MinMaxScaler()
coords_scaled = scaler.fit_transform(coords)

# 3. 训练模型
model.train()
for epoch in range(epochs):
    outputs = model(X)
    loss = criterion(outputs, y)
    loss.backward()
    optimizer.step()

模型持久化

# 保存
torch.save({
    'model_state_dict': model.state_dict(),
    'predict_steps': predict_steps
}, f"models/model_{target_id}.pth")

np.save(f"models/scaler_{target_id}.npy", [scaler.min_, scaler.scale_])

# 加载
checkpoint = torch.load(path, map_location=device)
model.load_state_dict(checkpoint['model_state_dict'])

优缺点

  • ✅ 优点：能捕捉复杂轨迹模式、适应性强、精度高
  • ❌ 缺点：需要足够训练数据、计算开销大、训练时间长

3. 混合预测（Hybrid）

原理

加权融合卡尔曼滤波和LSTM的预测结果，结合两者的优势。

融合公式

x_hybrid = kalman_weight * x_kalman + lstm_weight * x_lstm
y_hybrid = kalman_weight * y_kalman + lstm_weight * y_lstm
z_hybrid = kalman_weight * z_kalman + lstm_weight * z_lstm

默认权重

  • 卡尔曼权重：0.3
  • LSTM权重：0.7

权重调优建议

  • 线性运动为主：提高卡尔曼权重（如0.5:0.5）
  • 复杂轨迹为主：提高LSTM权重（如0.2:0.8）
  • 平衡模式：默认权重（0.3:0.7）

优缺点

  • ✅ 优点：兼顾稳定性和准确性、鲁棒性强
  • ❌ 缺点：需要同时运行两个模型

关联实现逻辑

核心思想：按时间步逐帧处理，使用“轨迹预测点 vs 当前新点”的全局最优匹配完成关联。

  1. 输入归一化
  • 在 TrajectoryAssociator._normalize_input_data() 中将输入整理为 {ts: [[x,y(,z)], ...]}。
  • 校验字段合法性、information.ts 与外层 time_step 一致性。
  1. 按时间推进
  • 将所有 ts 升序遍历。
  • 每个时间步取出当前帧新点 new_points。
  1. 轨迹预测
  • 对“仍活跃”的每条轨迹调用 TrajectoryPredictor.predict_next_point() 生成预测点。
  • 历史长度足够时使用卡尔曼滤波；不足时退化为末点近似。
  1. 点级关联（匈牙利算法）
  • 在 PointAssociator.associate() 构造代价矩阵并调用 linear_sum_assignment。
  • pos_dim=2 时，距离使用经纬度球面距离（米）；pos_dim=3 时使用欧氏距离缩放。
  • 仅保留距离 <= threshold_m 的匹配结果。
  1. 轨迹更新
  • 匹配成功：将新点接入对应轨迹。
  • 未匹配新点：新建轨迹。
  • 轨迹超时（timeout_steps * cycle）后不再参与后续匹配。
  1. 输出整理与校验
  • 模块输出为 Dict[traj_id, List[information]]。
  • 其中 information.id == traj_id，表示“关联后轨迹号”。

说明：输入中的 id 在关联过程中不参与匹配计算，匹配依据是时序 + 空间距离 + 预测。

关联模块接口说明

输入接口

  • 类型：Dict[time_step, List[information]]

time_step

  • 类型：int | float
  • 约束：必须与对应 information.ts 一致

information

  • 类型：Dict
  • 字段（仅允许以下字段）：
    • ts：int | float（必填）
    • id：int（必填）
    • x：float（必填）
    • y：float（必填）
    • z：float（可选，缺省默认 0.0）

输入示例

{
  100: [
    {"ts": 100, "id": 1, "x": 120.1, "y": 30.2, "z": 0.0},
    {"ts": 100, "id": 2, "x": 120.2, "y": 30.3}
  ],
  106: [
    {"ts": 106, "id": 1, "x": 120.12, "y": 30.25, "z": 0.0}
  ]
}

输出接口

  • 类型：Dict[traj_id, List[information]]
  • 说明：information.id 为关联后的轨迹编号（等于外层 traj_id）

traj_id

  • 类型：int

information

  • 类型：Dict
  • 字段（固定为以下 5 个）：
    • ts：float
    • id：int（且必须等于外层 traj_id）
    • x：float
    • y：float
    • z：float

输出示例

{
  0: [
    {"ts": 100.0, "id": 0, "x": 120.1, "y": 30.2, "z": 0.0},
    {"ts": 106.0, "id": 0, "x": 120.12, "y": 30.25, "z": 0.0}
  ],
  1: [
    {"ts": 100.0, "id": 1, "x": 120.2, "y": 30.3, "z": 0.0}
  ]
}

对外调用入口

  • 推荐直接调用：traj_association_module.py 中的 associate_trajectories()
from traj_association_module import associate_trajectories

result = associate_trajectories(
  data=input_data,   # Dict[time_step, List[information]]
  ds_id=1,
  pos_dim=3,
)

备注

  • run_csv_association.py 仅用于本地 CSV 输入/输出查看，不属于对外模块接口。
  • 当前 run_csv_association.py 的 CSV 输出会将 id 回填为输入原始 id（用于展示/对照）； 模块接口 associate_trajectories() 的返回中，id 仍表示关联后轨迹号。

项目启动步骤： 输出csv文件：run_csv_association.py 前端启动：start_viewer.py

关联接口调用：traj_association_module.py

关联实现逻辑

核心思想：按时间步逐帧处理，使用“轨迹预测点 vs 当前新点”的全局最优匹配完成关联。

  1. 输入归一化
  • 在 TrajectoryAssociator._normalize_input_data() 中将输入整理为 {ts: [[x,y(,z)], ...]}。
  • 校验字段合法性、information.ts 与外层 time_step 一致性。
  1. 按时间推进
  • 将所有 ts 升序遍历。
  • 每个时间步取出当前帧新点 new_points。
  1. 轨迹预测
  • 对“仍活跃”的每条轨迹调用 TrajectoryPredictor.predict_next_point() 生成预测点。
  • 历史长度足够时使用卡尔曼滤波；不足时退化为末点近似。
  1. 点级关联（匈牙利算法）
  • 在 PointAssociator.associate() 构造代价矩阵并调用 linear_sum_assignment。
  • pos_dim=2 时，距离使用经纬度球面距离（米）；pos_dim=3 时使用欧氏距离缩放。
  • 仅保留距离 <= threshold_m 的匹配结果。
  1. 轨迹更新
  • 匹配成功：将新点接入对应轨迹。
  • 未匹配新点：新建轨迹。
  • 轨迹超时（timeout_steps * cycle）后不再参与后续匹配。
  1. 输出整理与校验
  • 模块输出为 Dict[traj_id, List[information]]。
  • 其中 information.id == traj_id，表示“关联后轨迹号”。

说明：输入中的 id 在关联过程中不参与匹配计算，匹配依据是时序 + 空间距离 + 预测。

关联模块接口说明

输入接口

  • 类型：Dict[time_step, List[information]]

time_step

  • 类型：int | float
  • 约束：必须与对应 information.ts 一致

information

  • 类型：Dict
  • 字段（仅允许以下字段）：
    • ts：int | float（必填）
    • id：int（必填）
    • x：float（必填）
    • y：float（必填）
    • z：float（可选，缺省默认 0.0）

输入示例

{
  100: [
    {"ts": 100, "id": 1, "x": 120.1, "y": 30.2, "z": 0.0},
    {"ts": 100, "id": 2, "x": 120.2, "y": 30.3}
  ],
  106: [
    {"ts": 106, "id": 1, "x": 120.12, "y": 30.25, "z": 0.0}
  ]
}

输出接口

  • 类型：Dict[traj_id, List[information]]
  • 说明：information.id 为关联后的轨迹编号（等于外层 traj_id）

traj_id

  • 类型：int

information

  • 类型：Dict
  • 字段（固定为以下 5 个）：
    • ts：float
    • id：int（且必须等于外层 traj_id）
    • x：float
    • y：float
    • z：float

输出示例

{
  0: [
    {"ts": 100.0, "id": 0, "x": 120.1, "y": 30.2, "z": 0.0},
    {"ts": 106.0, "id": 0, "x": 120.12, "y": 30.25, "z": 0.0}
  ],
  1: [
    {"ts": 100.0, "id": 1, "x": 120.2, "y": 30.3, "z": 0.0}
  ]
}

对外调用入口

  • 推荐直接调用：traj_association_module.py 中的 associate_trajectories()
from traj_association_module import associate_trajectories

result = associate_trajectories(
  data=input_data,   # Dict[time_step, List[information]]
  ds_id=1,
  pos_dim=3,
)

备注

  • run_csv_association.py 仅用于本地 CSV 输入/输出查看，不属于对外模块接口。
  • 当前 run_csv_association.py 的 CSV 输出会将 id 回填为输入原始 id（用于展示/对照）； 模块接口 associate_trajectories() 的返回中，id 仍表示关联后轨迹号。

项目启动步骤： 输出csv文件：run_csv_association.py 前端启动：start_viewer.py

关联接口调用：traj_association_module.py

About

轨迹关联预测

Resources

Readme
Activity
Custom properties

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages