1.一种基于长短期记忆的行人轨迹预测方法，其特征在于：包括以下步骤：A、对所采集的数据进行预处理；

通过图像处理技术以及视频校准技术，采集某场景下行人的运动轨迹，即每个时刻行人的世界坐标(x,y)；同时，记录下当前采集时刻frame id以及行人编号ped id；将上述采集到的所有行人信息，转换为1个[行人数量,4]的矩阵——第1列代表采集时刻frame id，第2列代表行人编号ped id，第3列代表行人的世界坐标中的横坐标x，第4列代表行人的世界坐标中的纵坐标y；此时要通过重采样的方法，使相邻两个采集时刻之间的间隔为0.4s；

最后，按照采集时刻frame id从小到大自上而下排列；

B、引入注意力机制；

B1、将周围其他行人相对于当前行人的位置坐标通过激活函数激活，并且嵌入参数权重，具体公式如下：其中，Φr(.)是非线性激活嵌入函数，是当前第i个行人的x坐标， 是当前第i个行人的y坐标， 是当前第i个行人周围的第j个行人的x坐标， 是当前第i个行人周围的第j个行人的y坐标，Wr是嵌入权重，B2、将当前第i个行人相对于周围第j个行人的相对位置信息经过全连接层从坐标空间进行映射，形成当前第i个行人、第j个行人的位置信息，具体公式如下：其中，FC(.)是全连接网络结构，Wfc是全连接网络参数，B3、将第i个行人、第j个行人的位置信息进行连接，形成第i个行人当前的位置信息，即注意力机制输出，具体公式如下：其中，Concat(.)是连接函数，

C、将全局行人的历史状态隐藏信息输入池化层进行池化；

C1、将当前行人坐标通过长短期记忆(LSTM)单元转化成LSTM序列信息，具体公式如下：其中，Φl(.)是Relu非线性激活函数，We是行人坐标嵌入权重， 是当前第i个行人的历史状态隐藏信息，Wh是隐藏信息嵌入权重，C2、将全局行人隐藏状态信息池化得到池化张量；

其中，PM(.)是池化函数，

C3、将隐藏状态、池化张量、注意力机制输出通过一个多层感知机MLP结构进行连接，具体公式如下：其中，MLP是多层感知机结构，Wc是嵌入权重，D、通过长短期记忆单元经过池化层后的输出，转化为长短期记忆序列信息，生成预测轨迹序列；

D1、通过LSTM单元获得当前时刻行人隐藏状态序列信息，具体公式如下：其中，Φl(.)是Relu非线性激活函数，Wl是上一时刻坐标的嵌入权重，Wd是LSTM单元的嵌入权重， 是上一时刻行人的隐藏信息，D2、将当前状态信息通过一个多层感知机结构转化到坐标空间，生成预测信息，具体公式如下：其中，MLP(.)是一个多层感知机结构，Wp是预测嵌入权重，E、训练模型；

E1、将训练集、测试集、验证集按照6:2:2的比例划分；在训练过程中用验证集不断验证模型训练效果；

E2、在t时刻预测的轨迹点坐标服从于二维正态分布，具体公式如下：E3、最小化负对数似然损失函数，具体公式如下：i

其中，L表示第i个行人的轨迹；

F、构建预测轨迹

F1、用均方误差及终点平方误差衡量预测轨迹准确度；

F2、均方误差：

F3、终点平方误差：