# 车辆行驶预测

**Repository Path**: sg-first/lane-line-prediction

## Basic Information

- **Project Name**: 车辆行驶预测
- **Description**: Convolutional Social Pooling for Vehicle Trajectory Prediction改
- **Primary Language**: Python
- **License**: AGPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2023-05-29
- **Last Updated**: 2024-04-27

## Categories & Tags

**Categories**: Uncategorized

**Tags**: GAT, 神经网络

## README

车道线预测
==========

每层输入输出
----------
### LSTM编码器层
每辆车一个编码器，给该车三秒的数据编码
#### 输入
车辆位置、所在车道、速度、加速度、车辆类型、同一车道前车车辆id、同一车道后车车辆id（三个时间步的数据`shape=(3, n_features)`）
#### 输出
编码向量（只需要输出最后一个时间步，即唯一推断的时间步）`shape=(1, 编码向量长度)`

### GAT层
特征矩阵就是LSTM输出的（最后）一个时间步（里面是3s所有车的编码数据）。邻接矩阵基于每个车一定范围内的车数据预先构建
#### 输入
特征矩阵是所有车的LSTM输出拼在一起，组成一个矩阵`shape=(车数量, 编码向量长度)`

### LSTM解码器
每辆车一个解码器。把输入的编码向量重复5次，每次计算一个输出数据，即得到该车1-5s的推断结果
#### 输入
把LSTM编码器的（最后一个时间步）输出和GAT的输出（矩阵里选出该车对应的行）拼在一起`shape=(1, 编码向量长度*2)`

#### 输出
5s的解码数据`shape=(5, 解码向量长度)`。需要再给`解码向量`拆分为：车辆在每车道的概率、车辆位置、速度、加速度

其中`车辆在每车道的概率`还需要接个softmax

[各种LSTM实现](https://zhuanlan.zhihu.com/p/59862381)

接口设计
-----------
### 神经网络相关
#### LSTM编码器
一辆车的编码器：
``` python
encoder_i = LSTM(encode_size, activation='relu', return_sequences=False, input_shape=(3, n_features))(data_i)
```
#### GAT层
``` python
A = GetAMat(第2s的所有车数据)
F = Concatenate(axis=1)([encoder_1, ……, encoder_n])
F = Reshape((3, encode_size))(b)
model = GAT()([A, F])
```
* keras的GAT去网上抄一个
* `GetAMat`是基于表格里数据计算，需要[实现](https://gitee.com/sg-first/lane-line-prediction/issues/I799MX)

#### LSTM解码器
一辆车的解码器：
``` python
GatEncode_i = Lambda(lambda x: x[:, i, :])(model)
encode2_i = Concatenate(axis=1)([encoder_i, GatEncode_i])
encode2_i = RepeatVector(5)(encode2_i)
decoder = LSTM(encode2_size, return_sequences=True)(encode2_i)
decoder2 = 拆分层()(decoder)
```
`拆分层`需要实现。它需要将`shape=(5, encode2_size)`的decoder每个时间步下的数据拆分为`车辆在每车道的概率、车辆位置、速度、加速度`（包含对`车辆在每车道的概率`的softmax）