交通场景的感知与预测主要包括交通流参数获取、交通异常行为识别以及交通拥堵状态预测等内容，是各国交通领域学者关注和研究的热点范畴之一。由于交通场景复杂、多变且易受天气、交通参与者的影响，精确地感知与预测交通场景面临着巨大的挑战。车辆轨迹具有可视化、易理解、全天时、全天候的特点，因此，分析其丰富的时空特征为交通场景的感知与预测提供了新思路。本文主要通过提取、分析视频场景中的车辆轨迹及浮动车GPS轨迹进行交通场景的感知与预测，研究内容主要包括：
　　(1)针对交通场景视频数据，构建了一种基于车辆轨迹分析的交叉口交通流参数获取方法。首先，利用K-Means聚类算法分析车辆轨迹特征，得到城市交叉口的路口区域和车辆移动模式，以此实现对交叉口各区域交通流参数的统计。由于上述方法需要手动设置输入参数，本文又设计了一种基于支持向量机的路口车辆运动方向识别方法，通过获取车辆左转、右转和直行等运动特征，实现城市交叉口各方向交通流参数的自动获取。
　　(2)针对交通场景视频数据，研究了一种基于轨迹分析的车辆异常行为检测方法。首先根据相机标定技术，获得图像中车辆轨迹在3D空间道路平面的逆投影，然后通过分析轨迹运动特征，实现了基于个体轨迹模式的车辆异常行为检测。由于上述方法的主动性较弱，本文又构建了一种基于运动轨迹矢量场的车辆异常行为检测方法，通过对车辆轨迹特征投票建立运动轨迹矢量场，以此实现车辆异常行为及运动趋势的检测。
　　(3)针对交通场景浮动车GPS数据，搭建了一种基于车辆轨迹分析的城市道路交通流拥堵预测模型。首先利用K-Means算法对轨迹样本数据进行聚类分析获得实际的交通流状态，其次建立基于深度学习网络的交通流状态拥堵预测模型LSTM-CNN，并将车辆轨迹转换为一系列的静态图像，以满足卷积神经网络的输入特征，最后通过训练和优化模型实现对城市道路未来一段时间内交通流拥堵状态的预测。
　　最后，本文利用各种典型的交通场景数据来验证上述方法，结果表明，文中基于车辆运动轨迹分析的交通场景感知与预测方法具有较高的准确率和较好的实用性。