一个基于LSTM的鼠标轨迹生成项目，能够采集真实鼠标移动数据，并训练模型模拟人类鼠标移动轨迹。适用于用户行为模拟、人机交互研究等场景。

代码包：「鼠标模拟轨迹 （用LSTM pytorch）」
链接：https://pan.quark.cn/s/86556972e53a

项目结构 📁：

mouse-trajectory/
├── data_collector.py      # 数据采集程序
├── mouse_lstm.py          # 模型训练与生成程序
├── mouse_simulator.py     # 轨迹模拟器
├── mouse_data.pkl         # 采集的轨迹数据（运行时生成）
├── mouse_lstm.pth         # 训练后的模型（训练后生成）
└── README.md

功能特点 ✨

• 数据采集：提供图形化界面采集从起点到终点的真实鼠标轨迹数据。

• LSTM模型：使用PyTorch构建的LSTM神经网络，学习人类鼠标移动模式。

• 轨迹生成：训练后的模型可生成逼真的鼠标移动轨迹。

• 可视化模拟：提供GUI界面直观展示生成的轨迹

快速开始 🚀

环境要求

• Python 3.7+

• PyTorch

• NumPy

• Matplotlib

• Tkinter（通常随Python自带）

安装所需依赖：

pip install torch numpy matplotlib pyautogui

1. 数据采集

运行数据采集程序，采集至少100条轨迹数据：

python data_collector.py

操作说明：

• 绿色圆圈为起点，红色圆圈为终点

• 从起点按住鼠标拖动到终点释放

• 程序会自动保存有效轨迹到mouse_data.pkl

2. 模型训练

使用采集的数据训练LSTM模型：

python mouse_lstm.py train

训练过程将显示损失曲线，训练完成后生成mouse_lstm.pth模型文件。

3. 轨迹生成与模拟

运行模拟器可视化生成的鼠标轨迹：

python mouse_simulator.py

在窗口内依次点击起点和终点，程序将自动生成并显示模拟轨迹。

技术细节 🔧

模型架构

• 输入特征：位移量(dx, dy)、时间间隔(dt)、当前位置到终点的向量

• 网络结构：两层LSTM，隐藏层维度64，全连接输出层

• 输出预测：下一步的位移量和时间间隔

数据预处理

• 坐标归一化处理

• 序列填充(Padding)处理变长轨迹

• 时间间隔标准化

使用方法 💡

基本使用

1. 按照"快速开始"流程采集数据并训练模型

2. 调整mouse_simulator.py中的randomness参数控制轨迹平滑度

3. 可通过pyautogui启用真实鼠标移动（代码中已注释）

参数调整

在mouse_lstm.py中可调整：

• BATCH_SIZE：批处理大小

• HIDDEN_SIZE：LSTM隐藏层维度

• EPOCHS：训练轮数

• LEARNING_RATE：学习率

训练300轮的损失图

预测效果：