1.一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，包括以下步骤：

(1)对预先获取的轨迹数据集进行划分与特征构建；

(2)构建基于STGNN‑Net的车辆轨迹预测网络，包括特征提取网络和预测网络；其中特征提取网络包括时间特征提取网络TGCN‑Net和时空特征提取网络STG‑Net；TGCN‑Net中利用双分支结构关注全局和局部时间特征，融合特征从而提取时间特征；STG‑Net中首先通过第一个分支的GAT使网络能考虑交互信息，之后对交互后的节点下采样，使得网络能够有方向的提取节点特征，最后扩充维度，保持输出特征大小不变；利用第二个分支提取时间特征；结合两个分支的特征实现时空特征的融合；

(3)经过TGCN‑Net和STG‑Net提取轨迹中的时间和时空特征，将特征通过自适应学习利用Informer网络进行特征融合，并通过seq2seq模型架构的BiGRU网络预测目标车辆的运动轨迹；

步骤(2)所述TGCN‑Net包括一个BatchNormalization层和两个TE‑Net；所述TE‑Net包括时域模块TM和图卷积网络GCN；所述TM由门控循环单元GRU和时域卷积网络TCN构成；

TGCN‑Net输入仅为最后一个时间帧节点的特征，特征数据首先通过GCN交互邻居节点的信息，再通过TM提取节点的时间信息；在提取最后一个时间帧的时间特征时，利用GRU关注全局的时间信息，通过TCN关注序列中的局部特征；经过特征融合使得TE‑Net能够感知全局上的与局部上的时间特征。

2.根据权利要求1所述的一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，所述步骤(1)实现过程如下：每十二帧数据构建为一组，在一组数据内将前六帧数据作为训练样本，后六帧数据作为真实标签值。

3.根据权利要求1所述的一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，所述TM将TE‑Net的主干网络分为两条支路，具体实现过程如下：首先将R0的数据划分为最后一个时间帧的数据R1和前六帧的数据R2，然后将R1送入TGCN‑Net，首先输入Batch Normalization层，然后送入到第一个TE‑Net；TE‑Net先经过一个步长为1，卷积核大小为1×1，输入通道为4，输出通道为192的图卷积层，然后，再与邻接矩阵进行矩阵相乘操作，得到GCN网络的输出R11；

GCN网络节点特征更新的方式如下：

其中，A和IN分别是邻接矩阵和N维的单位矩阵，是自身节点与之相连通的邻接矩阵：

其中，是 的度矩阵，利用度矩阵对 矩阵进行归一化；

构造一个两层的GCN，激活函数分别采用ReLU和softmax，则整体的正向传播的公式为：

0 1

其中，X是输入的节点特征，W代表第一层GCN的权重矩阵，W代表第二层GCN的权重矩阵，Z是更新后的节点特征；

第一个TE‑Net包含一个残差结构，所述残差结构将R1送入到一个步长为1，卷积核大小为1×1，输入通道为4，输出通道为64的卷积层，之后再经过Batch Normalization层得到R12；通过对R11与R12进行矩阵和操作得到特征融合的输出R13；

TM将TE‑Net的主干网络分为两条支路，第一条支路以R13作为输入，首先经过一个通过BatchNormalization层和ReLU激活层，然后送入两个步长为1，padding为(2，0)，卷积核大小为5×1，输入通道为64，输出通道为64的卷积层，最终经过Batch Normalization层和Dropout操作得到R131；第二条支路将R13输入到一个输入特征维度为64，隐藏状态维度为

60的2层GRU网络，再经过一个全连接层得到R132；通过R131和R132融合得到TM的输出R14，即第一个TE‑Net的输出；

第二个TE‑Net将R14首先送入同第一个TE‑Net一致的GCN网络得到R15，紧接着输入到TM得到R16，即TGCN‑Net的输出。

4.根据权利要求1所述的一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，步骤(2)所述STG‑Net包括两个全连接网络和两个STE‑Net；所述STE‑Net是由图注意力网络GAT、空间卷积网络SCN、图卷积网络GCN、双向门控循环单元BiGRU组成的双分支网络；送入STE‑Net，首先利用全连接网络对数据维度进行扩充，再提取特征；输入为前六个时间帧的全部数据；第一个分支将前六个时间帧的全部节点特征作为输入，构建一个邻接矩阵，通过GAT网络提取空间特征，最后结合数据特点利用SCN将节点个数进行调整，特征进行融合，同时输出特征大小保持不变；第二个分支构建六个邻接矩阵，每一个邻接矩阵分别代表一个时间帧内节点的联通关系，使用GCN网络分别交互每一个时间帧的节点信息，通过BiGRU网络提取每个节点在前六个时间帧节内的时间特征。

5.根据权利要求1所述的一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，所述步骤(3)所述STG‑Net提取轨迹中的时间和空间特征实现过程如下：以R2作为输入，经过一个输入维度为4，输出维度为16的全连接层，再进行ReLU激活之后送入输入维度为16，输出维度为32的全连接层，然后送入STE‑Net的第一个分支，首先，经过一个GAT网络，得到网络输出R21，具体参数是n_head为4，输入特征维度32，输出特征维度设置16；

利用GAT网络更新特征的方式如下：

eij＝a[whi||whj],j∈Ni      (4)

其中，eij是计算两个节点之间的注意力系数，hi和hj分别是第i个和第j个节点的特征，Ni是节点i周围的节点集合，w是共享参数可以对节点特征进行线性变化，[.||.]代表将节点i和j经过变化后的结果进行拼接；a是将拼接后的高维特征映射到一个实数上：其中，LeakyReLU是一个激活函数，exp为指数函数，首先对注意力系数eij做归一化得到aij，通过加权求和之后经过归一化指数函数得到第i个节点更新后的特征h'i；

经过GAT网络后以R21作为输入，送入SCN，SCN包含两个卷积层，第一个卷积层步长为1×4，卷积核大小为5×1，输入通道为64，输出通道为64，第二个卷积层步长为1，卷积核大小为1×1，输入通道为30，输出通道为120；通过第一个卷积下采样每一个帧中的物体个数，利用第二个卷积进行升维，得到SCN的输出R22；

STE‑Net另一个分支为时间特征提取模块，以R2作为输入通过全连接层升维后，首先通过一个步长为1，卷积核大小为1×1，输入通道为32，输出通道为64的GCN网络，再经过一个输入特征维度为64，隐藏状态维度为60的2层BiGRU得到R23；通过对R22与R23进行矩阵和操作得到第一个STE‑Net的输出R24；

第二个STE‑Net将R24先送入第一个分支，该分支由GAT网络和同第一个STE‑Net的SCN组成，通过GAT得到R25，通过SCN得到R26，其中GAT网络n_head为1，输入特征维度为64，输出特征维度为32；另一个分支以R24为输入送到一个步长为1，卷积核大小为1×1，输入通道为

64，输出通道为64的GCN网络，再经过一个特征数量为64，隐藏状态维度为60的2层双向门控循环单元网络得到R27；通过对R26与R27进行矩阵和操作得到第二个STE‑Net的输出R28。

6.根据权利要求1所述的一种基于STGNN‑Net的车辆轨迹预测方法，其特征在于，步骤(3)所述将特征通过自适应学习利用Informer网络进行特征融合实现过程如下：Informer网络有四个输入特征，分别为T1，T2，T3，T4；T1等于第一个TE‑Net的输出R14乘于参数Ra；T2等于第二个TE‑Net的输出R16乘于参数Rb；T3等于第一个STE‑Net的输出R24乘于参数Rc；T4等于第二个STE‑Net的输出R28乘于参数Rd；将T1，T2，T3，T4进行矩阵和操作得到特征T，关注多方面特征。