1.一种基于时空交互神经网络的车辆轨迹跟踪方法，其特征在于，包括以下步骤：S1.预处理传感器数据，将相对坐标转换为地理坐标，并聚类得到平均地理坐标点；

S2.将车辆观测值与跟踪器预测值匹配，更新跟踪器轨迹记录；

S3.使用预测模型对跟踪器的跟踪轨迹进行单步预测，进入下一轮匹配；

S4.使用改进的深度匈牙利网络对预测模型进行以跟踪精度为目标的端到端训练；

所述步骤S1具体包含：

S1.1.将传感器获得的相对坐标记为 其中 表示第j个传感器获得的第i个坐标；将其转换为地理坐标的近似值

其中 和 表示车辆经过转换得到的地理坐标的经纬度；lng0和lat0表示传感器的地理坐标的经纬度，作为坐标原点；R表示地球半径，以米为单位；

S1.2.将所有同一路段的传感器经过转换后的地理坐标，以半米为距离，使用基于距离的聚类算法进行聚类，然后取簇内平均值：其中， 表示聚类簇c的簇内地理坐标平均值，作为该聚类簇的代表； 是聚类簇c的簇内地理坐标个数； 和 分别表示聚类簇c内的第i个点的经纬度；

S1.3.将路网上所有传感器经过转换后的地理坐标，以半米为距离，使用基于距离的聚t类算法进行聚类，采用式(3)取簇内平均值；最终得到处理完毕的数据坐标点集P，表示t时刻处理得到的所有车辆观测值；

所述步骤S2包含如下步骤：

t

S2.1.计算对P和跟踪器的预测值 计算两两之间的坐标距离：其中，di,j表示第i个跟踪器在t时刻的预测坐标点 和第j个车辆在同一时刻的坐标点之间的距离；D是一个 大小的矩阵， 表示t时刻跟踪器个数， 表示t时刻车辆观测值个数；Di,j表示矩阵中第i行和第j列的数值，当di,j≤1米时取di,j，否则取Inf表示无穷大；

S2.2.利用匈牙利算法对D进行计算，得到跟踪器和车辆观测值的最小成本匹配；

S2.3.对于有匹配对象的车辆观测值，将其添加到匹配的跟踪器中，作为跟踪器的轨迹记录；对于没有匹配对象的车辆观测值，每有一个观测值则产生一个新跟踪器并将其加入该跟踪器；对于没有匹配对象的跟踪器，将其当前时刻的预测 添加到轨迹记录中，若跟踪器的未匹配的连续时间超过阈值ε，则删除该跟踪器；

S2.4.对于每个跟踪器，都会储存两个内容，分别是轨迹记录Tri和隐藏状态Hi，其中Hi可以被拆分为四部分，分别是 和 在初始化阶段，Tri中有一个观测值，而Hi的值被全部设置为0，即所述步骤S3包含如下步骤：

S3.1.对于第i个跟踪器，从轨迹记录中取出最新两个时刻的车辆坐标点，计算其经纬度的相对位移：其中， 和 分别表示第i个跟踪器轨迹记录在t‑1时刻的车辆坐标点；

S3.2.将经纬度的相对位移进行拼接，即为第i个跟踪器所表示车辆在t‑1时刻的整体位移 将其作为长短期记忆网络的输入：其中，‖表示拼接操作；L‑LSTM是第一个LSTM，被称为本地LSTM，用于编码单个车辆的时间嵌入； 和 分别表示第i个跟踪器在t时刻对应L‑LSTM网络的隐藏状态和细胞状态；Wl和bl分别表示L‑LSTM的权重和偏移，被同一时刻的所有车辆共享；

S3.3.然后将 作为图注意力网络的输入，得到车辆间隐式空间交互的注意力系数：T

其中， 是t时刻节点j对节点i的注意力系数；·表示矩阵转置； 表示节点i在图上F′×F的邻居节点集合；W∈R 是所有节点共享的权重矩阵，用于对每个节点的特征做线性变

2F′

换，其中F表示 的维度，而F′是输出的维度；a∈R 是用于计算注意力系数的共享注意力机制；a经过矩阵运算，然后通过激活函数LeackyReLU和Softmax方法被标准化；

S3.4.使用注意力系数进行计算，得到第i个跟踪器所表示车辆的空间嵌入其中， 表示对K个空间注意力嵌入进行拼接；σ(·)表示激活函数，是一个非线性方k法； 是由第k个注意机制计算的归一化注意力系数，W 为相应的输入线性变换的权重矩阵；

S3.5.将 作为第二个长短期网络的输入：

其中，G‑LSTM是第二个LSTM，被称为全局LSTM，用于编码受到其它车辆隐式空间影响后的每个车辆的时间嵌入； 和 分别表示第i个跟踪器在t时刻对应G‑LSTM网络的隐藏状态和细胞状态；Wg和bg分别表示G‑LSTM的权重和偏移，被同一时刻的所有车辆共享；

S3.6.将每个车辆的局部编码和全局编码进行相加，得到每个跟踪器所表示车辆的输出嵌入 此时 相当于 的残差；然后将该输入嵌入作为全连接层的输入，得到最终的结果：其中，FC(·)表示全连接层；Wf和bf分别是全连接层的权重和偏移；

S3.7.在得到每个跟踪器在t时刻的相对位移预测 后，将其与跟踪器在t‑1时刻的车辆坐标点相加，得到t时刻的跟踪器的预测值步骤S4具体包含：

S4.1.在训练阶段，首先计算D矩阵：

其中，α是缩放系数，需要将计算结果的数值缩放至[0,0.1]之间，该数值需要针对具体的应用场景进行选择；

S4.2.将D作为深度匈牙利模型的输入，得到软分配矩阵 该矩阵的大小与输入一致，而数值在[0,1]之间；

TP

S4.3.在已知正确匹配的情况下，可以得到D的真阳性矩阵B ，以及真阳性矩阵在行和r c列维度上的真阳性一维矩阵P和P：

TP

其中， 表示B 在第i行第j列的数值，如果第i个跟踪器预测值和第j个车辆观测值是真阳性匹配，那么该值为1，否则为0；

S4.3.按照深度匈牙利模型的做法，对 分别在列维度上添加一列数据δ作为阈值，然后r在行维度上计算Softmax，得到C；对 在行维度上添加一行数据δ作为阈值，然后在列维度c上计算Softmax，得到C；对其进一步处理得到改进的假阳性 和假阴性S4.4.按照深度匈牙利模型的做法，可以计算得到表示ID切换错误的 然后将这三种错误计算为跟踪指标dMOTA和dMOTP作为损失函数。

2.如权利要求1所述的一种基于时空交互神经网络的车辆轨迹跟踪方法，其特征在于：步骤S1.1所述的地理坐标的近似值的误差不超过0.1米。