在智能交通中,如何从车辆轨迹中提取有效信息,进而做出短时精准的预测,是当前研究的一个热点问题。由于轨迹具有多样性、稀疏性以及道路拓扑存在复杂性,给实现轨迹的精准预测带来了困难与挑战。怎样从复杂道路拓扑中提取节点间的关系,怎样缓解轨迹稀疏性问题以及怎样从多维度考虑影响轨迹趋势的因素,是当前面临的主要难点。为了解决上述问题,本文主要从以下两个方面进行研究:结合车辆偏好特征、节点空间结构关系等影响因素,对稀疏缺失轨迹进行同态补偿,即对原始轨迹进行增强,对短时轨迹预测方法进行研究;结合车辆时序特征中潜在的周期性规律,对可变轨迹周期进行建模,对短时轨迹预测方法进行研究。本论文主要研究工作和贡献如下:1.针对车辆行驶过程中的多样性,提取车辆轨迹,并提出一种基于偏好特征语料库的短时轨迹预测方法。首先,引入生成对抗网络对轨迹分布进行学习,并以此为基础生成数据弥补原始轨迹的缺失,缓解其稀疏性。然后,针对轨迹具有的偏好特征及轨迹节点的空间特征,使用表示学习,并以此为基础构建偏好语料库和节点结构特征空间。最后,针对不同的特征向量分别进行轨迹趋势的预测,通过最大池化,将多维度多特征空间的预测趋势进行融合并形成预测结果。2.深入分析轨迹时序特征中潜在的周期性规律,以窗口模式提取车辆轨迹,并提出一种基于可变时序特征的短时轨迹预测方法。首先,使用图卷积神经网络对轨迹进行学习,形成轨迹信息的全貌表示。然后,根据周期关联的不同,利用窗口对轨迹进行提取,形成可变的时序周期维度,进而分别获得轨迹的表示,同时利用长短时记忆网络对其进行训练,动态赋予各周期权重。最后,综合各时序周期维度预测的轨迹趋势以提高结果的准确性。本论文通过我国某省会城市的真实过车数据集进行实验验证。实验表明,本论文设计的轨迹预测方法不仅能对数据进行补偿,也能结合轨迹偏好特点及路网结构信息;同时,还能较好的针对轨迹具有的周期规律对其进行分析。