预测车辆、行人等交通参与者的运动轨迹, 是实现安全自动驾驶的重要一步。 在城市交通环境中，交通参与者的轨迹受到多种因素的影响，如交通拥挤程度、 交通规则、行人行为等，因此轨迹预测也面临着诸多挑战。本文面向复杂交通环 境下的轨迹预测任务，从轨迹数据集时空特征分析，到智能体间复杂多变的交互 关系提取，最后研究多智能体场景下的轨迹预测，于多层面发掘轨迹数据中的时 序规律。 本文主要研究内容如下： 1. 数据集时空特征分析。针对交通参与者轨迹数据的时空特征展开定性分 析，并借助可视化手段，对速度分布和轨迹变化趋势等时间特征、社会交互和车 道线交互等空间特征进行细致的分析和讨论，进一步总结了轨迹预测数据在时 空维度的关联性，为后续交互关系和轨迹生成的建模提供依据。 2. 基于交互关系的多模态轨迹预测算法。针对交通参与者与环境间的约束 关系，提出了一种交互关系提取方法，将交通参与者的社会交互建模为时间维度 上的图卷积过程，并融合对车道线的注意力特征，实现交互关系的有效提取，进 而发展出基于此类交互关系提取方法的轨迹预测模型。其中，针对社会交互提取 过程，提出了一种基于多元素的邻接矩阵构建方式，将更多影响因素应用于社会 交互特征的计算中。其次，为了融合交通参与者之间及交通参与者与道路间的两 类交互关系，设计了一种计算混合交互特征的方式，并结合时序数据预测模型， 对轨迹进行预测和生成。实验结果表明，相比基于距离构造的邻接矩阵，本文的 邻接矩阵构造方式具有更好的交互关系提取效果，且所设计的交互关系提取模 型能有效提取交互特征，提高轨迹预测效果。 3. 基于扩散模型的多智能体轨迹预测算法。以扩散模型为理论基础，提出了 一种针对多类智能体的轨迹预测模型。首先，针对 Transformer 存在的问题，提 出了基于 Informer 的参数化高斯转换器。其次，通过引入基于自注意力机制的地 图特征编码器对高清地图数据进行特征提取，并作为扩散模型的引导条件进行 扩充。一方面实现了扩散模型在行人轨迹预测任务中的效果提升，另一方面首次 将扩散模型应用于多智能体混合的轨迹预测任务中。实验结果表明，该方法能有 效提升针对行人的轨迹预测效果，同时在混合交通场景下的轨迹预测也取得了 较好的效果。 分析数据时空特征、研究交互关系提取及多智能体轨迹预测方法，有利于发 掘智能体间潜在的交互关系，强化智能车对周围环境的理解能力，拓展多智能体 轨迹预测的方法类型，为后续的决策规划系统提供更详细可靠的信息输入，对于 提升车辆安全性能具有重要意义。