1.一种基于局部注意力机制的无人车轨迹预测方法，其特征在于，包括以下步骤：步骤1：采集无人车和周围车辆历史运动轨迹信息，并对轨迹信息进行预处理；

步骤2：构建无人车势力圈环境张量，提取车辆间的空间交互；

步骤3：利用Local attention模型提取车辆间的时间交互；

步骤4：通过训练Encoder‑Decoder结构的LSTM模型，对无人车未来轨迹预测；

所述步骤2中，先构建一个无人车的实力圈，并综合考虑车辆长度和道路结构宽度构建势力圈对应的空张量网格；通过判断当前时刻周围车辆是否在无人车限定的势力圈范围内，将在圈内的车辆的历史观测最后时刻的隐态向量填充在车辆最后位置对应的张量网格位置中；即完后构建无人车势力圈环境张量，通过卷积层后即提取到当前时刻车辆间的空间交互信息 ;所述步骤3中，利用Local attention模型提取周围车辆与无人车间的时间交互向量，计算方法如下：利用无人车当前时刻的隐态向量求出小窗中心位置，

，根据小窗中心位置确定小窗的范围，将落在小窗范围内的周围车辆当前时刻的隐态向量一一与无人车隐态向量计算相关度 ，计算得到的相关度与对应的周围车辆隐态向量加权求平均，得到当前时刻车辆间的时间交互信息 。

2.根据权利要求1所述的基于局部注意力机制的无人车轨迹预测方法，其特征在于，所述步骤1中，采集车辆和周围车辆的历史运动轨迹信息，并对轨迹信息进行预处理，具体方法如下：通过将记录相机的视频截取成图片，并对每张图片进行校准，再利用目标检测算法，检测出每张图片中的车辆，并记录对应车辆的几何中心位置作为当前时刻的位置坐标，给与车辆、车辆所处车道和当前帧相应的ID编号，得到车辆的历史轨迹信息；再将轨迹信息中的帧数作为时间戳索引，对坐标进行滤波平滑，将处理好的数据按时间戳升序排列，并将数据按7:1:2划分成训练集、验证集、测试集，由此得到模型训练和验证的数据集。

3.根据权利要求1所述的基于局部注意力机制的无人车轨迹预测方法，其特征在于，所述步骤中4中，通过Encoder‑Decoder结构的LSTM模型，对无人车未来轨迹预测的具体步骤为：（1）根据步骤1得到的车辆历史轨迹，将整个观测时间内的轨迹坐标输入进全连接层，获得所有时刻轨迹坐标的词嵌入向量 ；

（2）将当前时刻轨迹坐标的词嵌入向量 和上一时刻编码器隐态向量 输入进LSTM的编码器,即得到当前时刻的编码器隐态向量 ，同上，即可得到所有时刻轨迹坐标的编码器隐态向量 ；

（3）将得到的所有车辆当前时刻的编码器隐态向量 ，代入步骤2中构建好的势力圈对应的空张量网格中的对应位置，得到无人车势力圈环境张量；

（4）根据步骤3，将无人车当前时刻的隐态向量求出小窗中心位置，确定与无人车相关度最高的周围车辆范围，一一与无人车隐态向量计算相关度，加权平均得到时间交互向量；

（5）将步骤2和步骤3得到的空间、时间交互向量contact在一起，得到综合交互特征，将 和上一时刻解码器隐态向量 输入进LSTM的解码器，即可得到当前时刻无人车解码器隐态向量 ，即 ；

（6）将当前时刻无人车解码器隐态向量 通过全连接层后，即可得到t+1时预测轨迹的概率分布参数 ，其中 ，即为t+1时无人车的预测轨迹坐标。

4.根据权利要求3所述的基于局部注意力机制的无人车轨迹预测方法，其特征在于，所述步骤中4中，训练Encoder‑Decoder结构的LSTM模型，模型训练以使负对数似然损失函数最小化为目标，并根据损失函数相对于过程权重参数的误差进行反向传播，使用梯度下降算法来更新过程权重参数，保存轨迹预测模型泛化能力最好时的模型权重参数，完成模型训练。