1.一种基于车辆行为识别的轨迹预测方法，其特征在于，所述方法包括：

基于HighD数据集获取各个目标车辆的车辆特征，以基于Savitzky‑Golay滤波器对所述车辆特征进行预处理获得训练数据集；

将各车道所对应的训练数据集中的样本输入，基于多类型LSTM网络和自注意力机制构建的初始行为识别模型中，以训练确定符合要求的行为识别模型；

将当前目标车辆的车辆特征输入所述行为识别模型，获得当前目标车辆的当前车辆行为，以将所述当前车辆行为与所述当前目标车辆以及所述当前目标车辆周围车辆的历史车辆特征，作为轨迹数据输入预置双向LSTM网络；

基于所述预置双向LSTM网络中的双向LSTM编码层与单向LSTM编码层依次编码提取所述轨迹数据的时序特征；

基于所述时序特征预测上一时间步的预测值，并根据上一时间步的预测值对当前时间步的隐藏层输出向量分配对应的注意力权重，基于多层时间维度全连接层输出当前时间步的预测值，确定所述当前目标车辆的轨迹预测结果;其中，基于HighD数据集获取各个目标车辆的车辆特征，以基于Savitzky‑Golay滤波器对所述车辆特征进行预处理获得训练数据集，具体包括：获取HighD数据集中的记录数据，以基于所述记录数据与所述车辆特征所对应的物理公式计算获得车辆特征数据；

基于Savitzky‑Golay滤波器对所述车辆特征数据进行平滑处理，获得过滤后的车辆特征数据，基于词嵌入方式进行向量转换获得车辆特征数据集；

根据所述车辆特征数据集中各车辆特征所对应的车道进行分组，获得多个车道所对应的车辆特征数据集；

基于预设划分比例对所述车辆特征数据集进行划分，获得训练数据集与测试数据集；

将各车道所对应的训练数据集中的样本输入，基于多类型LSTM网络和自注意力机制构建的初始行为识别模型中，以训练确定符合要求的行为识别模型，具体包括：确定不同类型LSTM网络中循环层各单元的二分类器，并向所述循环层添加自注意力机制构建初始行为识别模型；其中，所述二分类器基于输入门、遗忘门与输出门串联构成；

将各车道所对应的训练数据集中的样本输入所述初始行为识别模型，以基于所述二分类器的处理逻辑对所述样本进行数据处理，获得循环层的输出数据；

将所述输出数据表示为矩阵形式的时间序列数据，以基于自注意力机制对所述时间序列数据之间的相似性进行建模，迭代循环层的超参数，以学习所述循环层的输出数据不同维度的注意力权重分布，获得各类型LSTM网络所对应的行为识别模型；其中，所述超参数包括：损失函数、回调函数；

基于所述测试数据集中的样本获取各类型LSTM网络所对应的行为识别模型的评估值，以基于所述评估值确定最优行为识别模型为符合要求的行为识别模型；其中，所述评估值包括：精确率，召回率，准确率以及精确率与召回率的调和平均值。

2.根据权利要求1所述的一种基于车辆行为识别的轨迹预测方法，其特征在于，基于所述二分类器的处理逻辑对所述样本进行数据处理，获得循环层的输出数据，具体包括：基于当前时间步的输入门对所述样本中的车辆状态信息进行过滤，获得所述样本在当前时间步的第一处理数据；

基于遗忘门对所述样本中历史车辆轨迹数据的噪声与异常值进行筛选，以确定所述样本在当前时间步的第二处理数据；

根据双曲正切函数确定当前时间步的候选细胞状态，基于所述第一处理数据逐元素相乘所述候选细胞状态与所述第二处理数据逐元素相乘上一时间步的细胞状态的和，确定当前时间步的细胞状态；

基于所述输出门逐元素相乘所述当前时间步的细胞状态，确定所述循环层的输出数据。

3.根据权利要求1所述的一种基于车辆行为识别的轨迹预测方法，其特征在于，将所述输出数据表示为矩阵形式的时间序列数据，以基于自注意力机制对所述时间序列数据之间的相似性进行建模，迭代循环层的超参数，以学习循环层各单元的注意力权重分布，具体包括：将所述输出数据表示为矩阵形式的时间序列数据，以基于所述矩阵形式的时间序列数据与权重矩阵，确定所述样本的查询向量；其中，所述查询向量为：； 是查询向量的权重矩阵， 表示查询向量的维度，

为矩阵形式的时间序列数据， 表示当前时间步的时间序列数据；

计算所述查询向量和键向量之间的相似度得分，以基于softmax函数对所述相似性得分进行缩放，获得注意力权重 ，通过计算各特征维度的注意力权重，确定所述循环层的输出数据不同维度的注意力权重分布。

4.根据权利要求1所述的一种基于车辆行为识别的轨迹预测方法，其特征在于，基于所述预置双向LSTM网络中的双向LSTM编码层与单向LSTM编码层依次编码提取所述轨迹数据的时序特征，具体包括：基于所述预置双向LSTM网络中的双向LSTM编码层对所述轨迹数据进行编码，获取所述轨迹数据的第一时序特征；

基于单向LSTM编码层对所述双向LSTM编码层输出的第一时序特征进行编码，获取所述轨迹数据的第二时序特征作为所述轨迹数据的时序特征。

5.根据权利要求4所述的一种基于车辆行为识别的轨迹预测方法，其特征在于，基于所述时序特征预测上一时间步的预测值，并根据上一时间步的预测值对当前时间步的隐藏层输出向量分配对应的注意力权重，基于多层时间维度全连接层输出当前时间步的预测值，具体包括：确定所述时序特征预测上一时间步的预测值，并基于内积计算确定所述上一时间步与所述当前时间步的轨迹数据之间的相似度作为注意力分数；

基于softmax与所述注意力分数确定各时间步的隐藏状态所占的注意力权重大小，以实现对当前时间步的隐藏层输出向量分配对应的注意力权重；

基于当前时间步的注意力权重确定所述当前时间步所对应的自注意力机制层输出数据，并基于预置处理函数对所述自注意力机制层输出数据进行处理，获得层时间维度全连接层输出的当前时间步的预测值；其中，所述预置处理函数为TimeDistributed函数。

6.根据权利要求1所述的一种基于车辆行为识别的轨迹预测方法，其特征在于，将所述当前车辆行为与所述当前目标车辆以及所述当前目标车辆周围车辆的历史车辆特征，作为轨迹数据输入预置双向LSTM网络之前，所述方法还包括：基于所述训练数据集对各类型预置LSTM网络进行训练，获得各类型预置双向LSTM网络所对应的轨迹预测模型；其中，所述各类型预置LSTM网络包括：LSTM网络、Bi‑LSTM网络、At‑LSTM、Bi‑At‑LSTM网络；

基于所述测试数据集与所述轨迹预测模型的评价公式，对所述各类型预置LSTM网络所对应的轨迹预测模型进行多次评价，获得各类型预置LSTM网络所对应的轨迹预测模型的评价结果；

根据所述评价结果确定所述各类型预置LSTM网络中的预置双向LSTM网络是否为最优轨迹预测模型；其中，所述预置双向LSTM网络中添加有自注意力机制。

7.一种基于车辆行为识别的轨迹预测系统，其特征在于，所述系统包括：

数据采集及处理单元，用于基于HighD数据集获取各个目标车辆的车辆特征，以基于Savitzky‑Golay滤波器对所述车辆特征进行预处理获得训练数据集；

行为识别模型训练单元，用于将各车道所对应的训练数据集中的样本输入，基于Multi‑layer LSTM网络和自注意力机制构建的初始行为识别模型中，以训练获得符合要求的行为识别模型；

输入单元，用于将当前目标车辆的车辆特征输入所述行为识别模型，获得所述当前目标车辆的当前车辆行为，以将所述当前车辆行为与所述当前目标车辆以及所述当前目标车辆周围车辆的历史车辆特征，作为轨迹数据输入预置双向LSTM网络；

特征提取单元，用于基于所述预置双向LSTM网络中的双向LSTM编码层与单向LSTM编码层依次编码提取所述轨迹数据的时序特征；

轨迹预测单元，用于基于所述时序特征预测上一时间步的预测值，并根据上一时间步的预测值对当前时间步的隐藏层输出向量分配对应的注意力权重，基于多层时间维度全连接层输出当前时间步的预测值，确定所述当前目标车辆的轨迹预测结果；

其中，基于HighD数据集获取各个目标车辆的车辆特征，以基于Savitzky‑Golay滤波器对所述车辆特征进行预处理获得训练数据集，具体包括：获取HighD数据集中的记录数据，以基于所述记录数据与所述车辆特征所对应的物理公式计算获得车辆特征数据；

基于Savitzky‑Golay滤波器对所述车辆特征数据进行平滑处理，获得过滤后的车辆特征数据，基于词嵌入方式进行向量转换获得车辆特征数据集；

根据所述车辆特征数据集中各车辆特征所对应的车道进行分组，获得多个车道所对应的车辆特征数据集；

基于预设划分比例对所述车辆特征数据集进行划分，获得训练数据集与测试数据集；

将各车道所对应的训练数据集中的样本输入，基于多类型LSTM网络和自注意力机制构建的初始行为识别模型中，以训练确定符合要求的行为识别模型，具体包括：确定不同类型LSTM网络中循环层各单元的二分类器，并向所述循环层添加自注意力机制构建初始行为识别模型；其中，所述二分类器基于输入门、遗忘门与输出门串联构成；

将各车道所对应的训练数据集中的样本输入所述初始行为识别模型，以基于所述二分类器的处理逻辑对所述样本进行数据处理，获得循环层的输出数据；

将所述输出数据表示为矩阵形式的时间序列数据，以基于自注意力机制对所述时间序列数据之间的相似性进行建模，迭代循环层的超参数，以学习所述循环层的输出数据不同维度的注意力权重分布，获得各类型LSTM网络所对应的行为识别模型；其中，所述超参数包括：损失函数、回调函数；

基于所述测试数据集中的样本获取各类型LSTM网络所对应的行为识别模型的评估值，以基于所述评估值确定最优行为识别模型为符合要求的行为识别模型；其中，所述评估值包括：精确率，召回率，准确率以及精确率与召回率的调和平均值。

8.根据权利要求7所述的一种基于车辆行为识别的轨迹预测系统，其特征在于，所述系统还包括：结果对比单元；其中，所述结果对比单元用于：基于所述训练数据集对各类型预置LSTM网络进行训练，获得各类型预置双向LSTM网络所对应的轨迹预测模型；其中，所述各类型预置LSTM网络包括：LSTM网络、Bi‑LSTM网络、At‑LSTM、Bi‑At‑LSTM网络；

基于测试数据集与所述轨迹预测模型的评价公式，对所述各类型预置LSTM网络所对应的轨迹预测模型进行多次评价，获得各类型预置LSTM网络所对应的轨迹预测模型的评价结果；其中，所述测试数据集为HighD数据集中的记录数据基于Savitzky‑Golay滤波器进行过滤后，获得过滤后的车辆特征数据，基于词嵌入方式进行向量转换获得车辆特征数据集；根据所述车辆特征数据集中各车辆特征所对应的车道进行分组，获得多个车道所对应的车辆特征数据集；基于预设划分比例对所述车辆特征数据集进行划分，获得训练数据集与测试数据集；

根据所述评价结果确定所述各类型预置LSTM网络中的预置双向LSTM网络是否为最优轨迹预测模型；其中，所述预置双向LSTM网络中添加有自注意力机制。