行人是道路交通中的易受伤害群体,因此预测行人的社会交互和行为轨迹对于人工智能平台如智能汽车或者无人车来说至关重要。但是,行人运动的轨迹不仅受行人本身的影响,还受周围环境的影响,诸多因素导致行人运动轨迹具有高度非线性特征。经过多年的发展,基于LSTM神经网络预测算法很好地展示了接近真实世界行人轨迹预测能力。但仍然存在很多问题需要解决,例如预测长期的行人轨迹会出现巨大偏差以及周围人群对单个行人轨迹影响较大的问题。此外,以往算法学习层数过多导致参数量过多也是亟待解决的问题。本文以结合时空图卷积网络与长短时神经网络为基础对行人轨迹预测进行进一步研究。本文对以往神经网络算法对行人轨迹预测出现的问题进行研究分析,研究发现以往算法的预测轨迹与真实轨迹偏差较大,并预测轨迹出现碰撞等问题进行分析,提出了基于时空图卷积网络的算法,以此提取整个场景中所有行人之间的相互依赖关系。实验结果出现预测轨迹与真实轨迹最终位移误差过大的问题,针对该问题提出在网络中加入存储记忆部分,利用LSTM网络的存储记忆特性提出改进算法ST-LSTM。ST-LSTM算法模型将场景中的每个行人视为一个节点,通过时空卷积块和LSTM网络获得每个节点与其邻域之间的交互关系。具体来说,由两层时间卷积网络与一层空间卷积网络形成的ST-Block提取场景节点的短期依赖关系,ST-Block可以根据规模和复杂性来堆叠或扩展网络的图形特征,以使网络更加灵活;基于LSTM网络的解码-编码器提取图中节点与节点间的长期依赖关系。本文在两个公共数据集的五个场景上进行实验,实验结果表明,算法使得行人预测轨迹与实际轨迹的平均位移误差与最终位移误差明显降低。ST-LSTM模型预测轨迹与地面真实轨迹的平均位移误差和最终位移误差分别为0.40和0.72,分别比现有算法预测结果低9.1%和4.0%。此外,在规定相邻两个节点的欧几里得距离小于0.1米时视为碰撞的前提下,测试了每个场景中的碰撞率情况。最终平均碰撞率为0.986%,比以往算法降低了27.6%。