交通场景中的行人轨迹预测是自动驾驶车辆和智能交通系统的重要组成部分,是缓解交通拥堵,优化智能汽车驾驶决策的重要依据。由于在交通场景中,行人的运动轨迹会受到周围行人,周围车辆的影响,因此研究行人轨迹的社交行为对提高行人轨迹预测的精度有重要意义。针对交通场景中的轨迹预测问题,本文主要工作如下:首先构建了DUT人-车交互数据集,利用相关滤波的方法对行人和车辆的轨迹进行跟踪,得到交通场景中行人和车辆的轨迹时序序列,并使用卡尔曼滤波的方法将得到的数据进行平滑处理,得到了适用于人-车交互的行人轨迹预测数据集。其次,设计了扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对预测行人有相互作用的行人和车辆。再次,定义了人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高了社会信息的精度。然后,将两种交互信息通过两种不同的LSTM进行编码后,输入到注意力模块中来筛选对行人影响大的社会信息。最后,将筛选后的社会信息与行人轨迹序列一起输入到LSTM预测网络中,实现了轨迹的预测。通过对比其他现有模型的误差实验来验证本文所提出的轨迹预测模型,实验结果表明,本文提出的方法能够准确地预测出交通场景中,行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。