1.一种行走行为的预测方法，其特征在于，包括：

对目标场景中至少一目标对象在一个历史时间段M内的行走行为信息进行编码，获得用于表示所述至少一目标对象在历史时间段M内行走行为信息的第一偏移量信息；

将所述第一偏移量信息输入至深度神经网络CNN，由所述CNN输出用于表示所述至少一目标对象在未来时间段M’内行走行为信息的第二偏移量信息；

对所述第二偏移量信息进行解码，获得所述至少一目标对象在未来时间段M’内的行走行为预测信息。

2.根据权利要求1所述的方法，其特征在于，所述偏移量信息具体为偏移量矩阵。

3.根据权利要求1或2所述的方法，其特征在于，所述目标场景为需要进行行走行为预测的目标对象所在的场景；

所述至少一个目标对象包括所述目标场景中的部分目标对象或者所有目标对象，所述至少一目标对象包括所述需要进行行走行为预测的目标对象。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述目标对象包括行人。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述行走行为信息或所述行走行为预测信息包括以下任意一种或多种：行走路径信息、行走方向信息、行走速度信息。

6.根据权利要求2至5任意一项所述的方法，其特征在于，所述对目标场景中至少一个目标对象在一个历史时间段M内的行走行为信息进行编码，获得第一偏移量矩阵包括：分别获取所述目标场景中各目标对象在历史时间段M内的行走行为信息；

分别针对各目标对象在历史时间段M内的行走行为信息，以一个位移向量表示目标对象在历史时间段M内的行走行为信息；

根据各目标对象的位移向量确定所述第一偏移量矩阵。

7.根据权利要求2至6任意一项所述的方法，其特征在于，所述CNN包括第一子CNN、按位相加单元和第二子CNN；

所述将所述第一偏移量矩阵输入至CNN，由所述CNN输出第二偏移量矩阵包括：将所述第一偏移量矩阵作为第一子CNN的输入，利用所述第一子CNN对所述至少一目标对象在历史时间段M内的行走行为信息进行分类，获得行走行为特征图；

利用按位相加单元，将预先设置的所述目标场景的位置信息图与所述行走行为特征图基于对应位置相加，获得场景行走行为信息；所述位置信息图包括所述目标场景中空间结构的位置信息；

将所述场景行走行为信息作为所述第二子CNN的输入，利用所述第二子CNN分别确定所述至少一目标对象在历史时间段M内的各类行走行为在未来时间段M’内对所述第一偏移量矩阵的影响信息，并根据所述影响信息确定所述第二偏移量矩阵。

8.一种行走行为的预测装置，其特征在于，包括：

行为编码单元，用于对目标场景中至少一个目标对象在一个历史时间段M内的行走行为信息进行编码，获得用于表示所述至少一个目标对象在历史时间段M内行走行为信息的第一偏移量信息；

深度神经网络CNN，用于接收所述第一偏移量信息，输出用于表示所述至少一个目标对象在未来时间段M’内行走行为信息的第二偏移量信息；

行为解码单元，用于对所述第二偏移量信息进行解码，获得所述至少一个目标对象在未来时间段M’内的行走行为预测信息。

9.一种数据处理装置，其特征在于，包括权利要求8所述的行走行为的预测装置。

10.一种电子设备，其特征在于，设置有权利要求9所述的数据处理装置。