1.一种基于图注意力交互机制的车辆轨迹预测方法，其特征在于，包括：获取车辆历史轨迹数据，对历史车辆轨迹数据进行预处理，对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹预测结果，自动驾驶车辆根据轨迹预测结果行驶；对历史车辆轨迹数据进行预处理的过程包括：对历史车辆轨迹数据进行清洗操作，得到去除异常数据和补充缺失数据后的历史车辆轨迹数据；对清洗后的历史车辆轨迹数据进行数据提取，得到BEV图和车辆轨迹的坐标数据；

对预处理后的历史车辆轨迹数据进行处理的过程包括：

S1：采用时空金字塔网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的场景特征；

S11：采用时空金字塔网络中的二维卷积提取车辆轨迹的多尺度空间特征；

S12：采用时空金字塔网络中的一维卷积提取车辆轨迹的多尺度时间特征；

S13：将车辆轨迹的多尺度空间特征和车辆轨迹的多尺度时间特征进行横向连接，得到车辆轨迹的不同尺度的场景特征；

S2：采用时空transformer网络对预处理后的历史车辆轨迹数据进行处理，得到车辆轨迹的交互特征；时空transformer网络包括第一编码器、第二编码器和解码器；

S21：采用第一编码器对预处理后的历史车辆轨迹数据进行处理，得到时空编码特征；

第一编码器包括三个连接层、一个时间transformer网络和一个空间transformer网络；

采用两个全连接层分别对预处理后的历史车辆轨迹数据进行处理，得到历史车辆轨迹的嵌入表示；

将历史车辆轨迹的嵌入表示分别输入到时间transformer网络和空间transformer网络中，得到时间特征和空间特征；空间transformer网络中节点的输出表示为：hi'＝fout(Att(i))+Att(i)

j→i

其中，Att(i)表示车辆节点i自注意力机制的输出，m 表示车辆节点j与车辆节点i的交互，M表示车辆节点i与车辆节点i的邻居节点数量之和，dk表示注意力机制的查询矩阵的维度，vj表示车辆节点j的权重矩阵，hi表示当前车辆节点i的特征矢量，fout表示输出函数，hi'表示车辆节点i更新之后的特征矢量；

将时间特征和空间特征输入到全连接层中，得到时空编码特征；

S22：采用第二编码器对时空编码特征进行处理，得到新时空编码特征；第二编码器包括一个时间transformer网络和一个空间transformer网络；

将时空编码特征输入到空间transformer网络中，得到包含空间交互信息的时空编码特征；

将包含空间交互信息的时空编码特征输入到时间transformer网络中，得到增强时间注意力的时空编码特征即新时空编码特征S23：采用解码器对新时空编码特征进行解码，得到车辆轨迹的交互特征；

S3：采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理，得到融合特征；采用特征融合网络对车辆轨迹的场景特征和车辆轨迹的交互特征进行处理的公式为：其中，Fi表示融合特征，Xi表示场景特征，hi”表示交互特征，ω1表示第一权重因子，ω2表示第二权重因子，N表示车辆数量；

S4：对融合特征进行分析处理，得到车辆历史轨迹预测结果。