1.一种基于自适应密度聚类算法的车辆轨迹预测方法，其特征在于，该方法具体包括以下步骤：步骤一：选定一个具有N个轨迹点的车辆轨迹数据集，N为正整数；

步骤二：计算每个轨迹点与其最近的轨迹点之间的距离，并将计算结果从小到大排序；

步骤三：使用具有自适应步长的爬山算法，计算每个轨迹点的密度吸引点；

步骤四：将具有相同密度吸引点的轨迹点划分为同一簇；

步骤五：判断每个簇中轨迹点的数目是否大于 如果是，则保留该簇，否则，则将该簇内所有的轨迹点视为噪声点，并删除该簇；

步骤六：对步骤五得到的每个簇分别进行符号标记，将被标记了的簇按照时间排序后输出符号序列；

步骤七：将步骤六输出的符号序列输入到变阶马尔可夫模型中，并使用Lempel‑Ziv‑MS预测算法进行预测，即预测概率最大时的符号对应的轨迹点即为最终轨迹预测结果；

步骤三中，使用具有自适应步长的爬山算法计算轨迹点x的密度吸引点，具体步骤包括：0

步骤3‑1.令x的初始密度吸引点x＝x；

步骤3‑2.令x的初始步长 其中 为x与其最近的轨迹点之间的距离；

k

步骤3‑3.第k+1次迭代后x的密度吸引点 其中x 为第k次迭代后x的密度吸引点， 为第k次迭代后x的步长， 表示 的梯度，k k

d(x ,xj)为x和第j个轨迹点xj之间的欧氏距离，h为平滑参数；

k

步骤3‑4.找到离x最近的轨迹点i，更新步长 为i与其最近的轨迹点之间的距离；

k

步骤3‑5，若 则输出x为最终x的密度吸引点；

k+1 k+1

其中 d(x ,xj)为x 和xj之间的欧氏距离；

步骤七中，Lempel‑Ziv‑MS预测算法包括学习和预测两个阶段；

在学习阶段，具体步骤包括：

步骤6‑1‑1.以长度为n的训练序列 结合Lempel‑Ziv‑MS算法中的参数输入移位S以及回移解析M进行短语解析并构造字典树，在字典树中的每个节点都设置了K个计数器，每个可能的符号对应一个计数器，内部节点中的计数器等于其所有子计数器之和，其中K为序列中的字符数；

步骤6‑1‑2.给定一个新解析的短语s'，从根开始根据s'遍历树，当到达叶子节点时，通过使该叶子节点成为内部节点并将K个叶子节点添加到这个新的内部节点来扩展树；

在预测阶段，计算已知符号s的情况下符号σ出现的条件概率 具体步骤包括：步骤6‑2‑1.从根开始并根据s遍历步骤6‑1‑2扩展后的树，如果在消耗掉S之前达到叶子节点，那Lempel‑Ziv‑MS算法继续从根开始遍历，依此类推；

步骤6‑2‑2.在遍历完成的某个节点处，对σ出现的条件概率的预测结果是该节点中符号σ对应的计数器除以该节点处所有计数器之和。

2.根据权利要求1所述的一种基于自适应密度聚类算法的车辆轨迹预测方法，其特征在于，步骤四中还包括：对于任意两个密度吸引点a和b，如果它们之间的距离小于等于或 则将a和b所属的两个簇合并为一个簇，其中 是a、b对应的最终步长。