1.一种基于时空融合的自适应行人轨迹预测方法，其特征在于，所述方法包括以下步骤：S1：提取不同场景中行人的时间位置特征向量，对信息进行预处理并构建源场景和目标场景的图结构；

S2：实现领域特征的对齐，使用图卷积网络GCN和领域自适应技术，调整和整合源轨迹领域与目标轨迹领域之间的时空特征变化，从而完成特征对齐；

S3：搭建时间主干网络，编码时间信息，与领域时空特征差异一同作为预测的重要要素，利用多头注意力机制实现时空特征的深度融合，通过自回归迭代实现高精度的行人轨迹预测；

所述S1中，若场景中包含N名行人，每位行人在任意时刻t的位置表示为 ，其中为从鸟瞰视角记录的行人i在时刻t的二维坐标，整个时间范围内的总序列长度定义为 ，已观测的时间段为 到 ，每个时间步t的观察数据被抽象为一个图 ，其中包含顶点、边和相关特征，针对不同轨迹场景，即源领域和目标领域，分别构建专属的图 和 ，以刻画特定领域内的行人交互特性；

图 中，顶点集合 表示t时刻N名行人的位置，顶点 记录了个体的空间位置，是分析其轨迹和运动模式的基础，边集合 描述了行人i和j之间的交互关系，通过边 ，模型能够揭示行人运动在群体环境中的相互影响，同时，模型为每位行人定义了特征向量，构成特征集合  ，特征向量 表示时间t时行人i的运动特征，其计算公式为：；

其中,W是权重矩阵， 是ReLU激活函数，行人之间的互动关系通过邻接矩阵来描述，矩阵中的元素 表示为：；

根据两者之间的空间距离对交互强度进行归一化处理；

所述S2的过程如下：

S2.1：采用图卷积网络来提取轨迹图中的时空特征；

对于源轨迹域和目标轨迹域，利用空间GCN在各自邻近节点的信息聚合，生成初步的特征表示，输入的轨迹图分别为源域 和目标域 ，在任意时刻t，轨迹图 由两个关键部分组成：归一化邻接矩阵 和次矩阵 ，定义如下：；

；

其中， 是加权邻接矩阵， 是 的对角次矩阵，E是单位矩阵；在观测周期 内，将邻接矩阵和次矩阵按时间顺序叠加：；

；

在GCN的第 层，该特征矩阵的形式为：

；

其中，N为行人数， 表示特征维度， 是观测的时间步数，接下来，GCN利用以下传播规则对每一层的特征进行更新：；

其中， 代表第l层的可学习权重矩阵， 是非线性激活函数，GCN设计为三层结构，，每一层都在前一层提取的特征基础上，逐步整合更大范围的空间邻域以及更长时间尺度的上下文信息，随后，利用TCN建模行人时间依赖性，为了稳定特征传播，加入残差连接机制，将优化特征与原始输入结合，最终，生成源领域和目标领域的域特征 和；

S2.2：将生成的两个领域特征进行对齐，以减少领域间的差异导致的预测影响；

针对领域 中的每个行人i计算注意力得分 ，让模型能够基于特征在领域中的重要程度，对其进行加权处理，注意力得分的计算公式如下：；

其中， 表示领域r中行人i的特征向量，参数 和 是可学习参数，用于自适应地调整特定领域的注意力得分，在得到注意力得分后，对每个领域中的特征进行加权聚合，领域r的聚合特征定义为：；

通过对特征向量的相关性进行加权聚合，提取出每个领域的核心特征，随后，为对齐源领域和目标领域的特征表示，模型将聚合特征表示 和 进行差值比较，输出领域特定的特征差异 。

2.如权利要求1所述的一种基于时空融合的自适应行人轨迹预测方法，其特征在于，所述S3的过程如下：S3.1：时序编码；

对观测到的行人轨迹进行编码，输入轨迹表示为一个包含空间位置的时间序列，其中每个位置 对应于行人i在时刻t的二维空间坐标，随后应用一个嵌入层，其转换过程如下：

；

其中， 为嵌入函数， 为可学习的权重矩阵，为强调观测序列中行人的相对运动特性，将每个位置 减去最后一个观测位置 来进行偏移,得到编码后的时间序列；

S3.2：多头注意力融合；

采用多头自注意力机制，在编码步骤之后，将输入序列 通过可学习的线性变换被映射为query和key矩阵表示，将时空差异特征 映射为value矩阵表示：；

其中， 、 和 分别表示对应的query、key和value函数；考虑到后续预测的时间依赖性问题，执行query和value之间的点积，以计算用于加权值的注意力系数，并提供相应的输出，多头自注意力机制的计算公式如下：；

其中， 是key向量的维度，用作缩放因子，以在优化过程中稳定梯度，Softmax函数确保注意力权重在整个序列中被正确归一化；

多头自注意力机制的输出随后被传递到时间特征优化网络，最终生成一系列特征向量；

S3.3：解码预测；

解码处理通过自注意力机制获得的特征向量 ，通过一系列由权重 参数化的线性层，解码器生成下一时间步 的预测位置，在预测过程中通过添加时空差异特征来再次增强领域适应能力：；

其中， 表示由参数 定义的解码函数，输出生成行人未来的轨迹位置。