随着智能驾驶技术的发展,国家和越来越多企业的重心会转移到该领域。面对飞速发展的智能驾驶技术,交通安全问题可以得到更加先进的解决办法。在车联网条件下驾驶风格识别和车辆轨迹预测是减少道路交通事故的重要方法。驾驶员风格的分析可以应用于智能驾驶的多个方面,本文使用机器学习与神经网络模型将驾驶员的风格影响引入车辆轨迹预测方法,构建了SVM＿LSTM模型进行车辆轨迹的预测。文章内容主要如下:（1）本论文利用指数平滑法对已有的下一代仿真数据集（Next-Generation Simulation,NGSIM）车辆轨迹数据进行数据处理,模拟车联网条件下对道路信息的提取。重新提取车辆当前的运动状态和单个车辆的特征信息。利用聚类的方法将各条轨迹定义为三种驾驶风格,这三种驾驶风格分别为保守型、激进型和中庸型。（2）将车辆各条轨迹划分成6s长的短轨迹,以前5s数据作为轨迹时序输入,后1s数据作为轨迹时序输出,利用长短期记忆网络（Long Short-Term Memory,LSTM）训练出车辆轨迹预测的神经网络模型,同时增加了预测时间,对不同时间长度的预测结果利用RMSE指标进行对比分析。（3）利用支持向量机（Support Vector Machine,SVM）将已定义的驾驶风格标记在各条轨迹上,将车辆轨迹数据分流给各类风格对应的LSTM神经网络,构建了SVM＿LSTM轨迹预测模型,对不同驾驶风格的车辆轨迹进行预测并对比未分类的轨迹预测模型,使用均方根误差（Root Mean Square Error,RMSE）指标对结果进行对比分析。结果表明对比传统轨迹预测方法,该方法得到轨迹在横向与纵向的误差均有明显减小。此预测模型基于车联网环境下对车辆信息提取,提出了一种对交通流中的所有驾驶风格类型车辆进行轨迹预测的方法。