1.一种基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，包括以下步骤：R1：拍摄临近交叉口处U型掉头处的视频并提取数据，对数据进行预处理，生成对应的V1和V2；其中V1代表左转车道上车辆的时序轨迹，V2代表直行车道上车辆的时序轨迹；

R2：读取步骤R1中的V1和V2，并对V1作掉头意图分析，将掉头车道上的车辆划分为具有明显掉头意图的车辆、具有隐性掉头意图的车辆和不具有掉头意图的车辆，其中不具有掉头意图的车辆即为左转车道上的直行车辆；将左转车道上的直行车辆、掉头车辆以及对向车道的直行车辆组成新的输入，通过嵌入层将车辆的行为信息嵌入到高维空间中，并作为下一步骤的输入；

R3：将步骤R2的高维嵌入输入到基于时间卷积和空间自注意力的并行结构中，通过时间卷积网络和空间自注意力机制分别提取时间和空间信息，最终将这两部分信息合并为时空特征；

R4：将步骤R3中所得到的时空特征信息进行规范化和残差连接操作，并输入到下层的深度可分离卷积网络中；

R5：将步骤R4处理之后所得到的时空特征称为解码器的第一类输出，同时将上一时刻所输出的预测轨迹的相对位置坐标经过位置编码和输入嵌入，拼接成一个新的输出称为解码器的第二类输出；这两类输出作为解码器的输入，解码后输出未来轨迹坐标的特征表示；然后将该特征表示输入到轨迹生成器中，最终输出所有交通参与者的未来轨迹信息。

2.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R1具体为：R1-1：拍摄“早晚高峰”时期临近交叉口处U型掉头处的视频，视频视野至少包括左转车道上和对向直行车道上的车辆；

R1-2：提取视频中左转车道上和对向直行车道上的车辆轨迹序列，所提出的时序数据包含以下车辆行为信息：x、y、l、w、θ、τ；其中x，y代表车辆的全局坐标，l、w分别代表车辆的长和宽，θ代表车辆的实际航向，τ表示车辆的类别；

R1-3：对所提取的轨迹序列数据进行预处理，并生成对应的时序轨迹V1和V2。

3.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R2具体为：R2-1：根据车辆的实际航向θ与θturn之间的关系来判断车辆是否具有明显掉头意图，其中θturn表示车辆具有明显掉头意图的最小角度；

当θ≥θturn时，得到输出a，表示具有明显掉头意图的车辆；

当θ<θturn时，得到输出b，表示不具有明显掉头意图的车辆；

R2-2：将上述不具有明显掉头意图的车辆输入到膨胀因果卷积网络中，并通过前馈连接层输出0/1，以进一步判断车辆是否具有隐性掉头意图；

R2-3：将输出的0/1与步骤R2-1中得到的输出b相乘，并与步骤R2-1中得到的输出a组合得到一个新的输出c和输出d，其中输出c表示左转车道上的掉头车辆，输出d表示左转车道上的直行车辆；

R2-4：将步骤R2-3的输出c和输出d与步骤R1中的V2组合成新的输入，通过嵌入层将车辆的行为信息嵌入到高维空间中，并作为步骤R3的输入。

4.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R3具体为：R3-1：将步骤R2的高维嵌入输入到空间自注意力机制中，具体步骤如下：对于第t帧的交通场景中的每一辆车i，将上层输出嵌入通过三个不同的可学习权重Wq、Wk、Wv分别得到查询关键字和值其中：同时将该交通场景中第t帧的第i辆掉头车辆定义为ego车，该车与同质和异质交通流中的其他车辆j之间的消息传递为其中：将得到的消息传递除以进行缩放，使用softmax函数以获得第j辆车的值vj上的权重，并将权重乘以vj得到车辆j和ego车辆i之间的注意力数值，同时对所有车辆j发送到ego车辆i的消息传递求和得到车辆i的单头注意力：并将查询关键字和值经过h次不同的线性投影，并行执行注意力函数得到维度为dv的输出，将得到的所有单头注意力拼接起来并进行一次线性投影操作得到ego车与其他车辆的空间特征信息：其中Wo表示可学习权重；

R3-2：将步骤R2的高维嵌入输入到时间卷积网络中，具体步骤如下：对于第i辆车在时间段T的轨迹序列给定卷积核f＝(f1，f2，...，fK)，轨迹序列Xi上的元素的膨胀卷积运算可定义为F：其中*d表示膨胀卷积算子，d表示膨胀因子，K表示卷积核的数目，xt-(K-k)d表示对过去历史信息的定位；

当d＝1时，表示标准的卷积操作，即没有引入膨胀卷积；

当d＞1&d∈N*时，表示引入膨胀卷积操作，相当于在每两个卷积核元素之间加入d-1个空洞；

其中，d＝2i，i代表位于网络的第i层，d的大小随着网络深度呈现指数级增长，同时利用以下公式来计算膨胀卷积的感受野rf：其中k(i)代表第i层的卷积核的大小，d(i)代表第i层的膨胀因子；为了解决网络深度的增加而导致梯度消失问题，采用一个通用的残差模块以增加TCN的稳定性；残差模块表示为：output＝Xi+Fi(Xi)

其中output为残差模块的输出，Fi代表膨胀因果卷积、非线性激活和规范化操作。

5.根据权利要求1所述的基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，其特征在于，步骤R4中的深度可分离卷积分为深度卷积和逐点卷积，分别用于深度提取时空特征和特征融合；且步骤R4具体包括以下步骤：R4-1：首先是深度卷积操作，它仅对步骤R3中输出的时空特征信息的每个通道进行卷积操作；对于输入的Cin个通道的特征图，深度卷积层使用Cin个3×3的卷积核对每个通道进行卷积，得到Cin个通道的卷积特征图；

R4-2：在步骤R4-1后，使用ReLU激活函数对特征图进行非线性变换；

R4-3：逐点卷积层对深度卷积得到的卷积特征图进行卷积，使用1×1的卷积核对每个通道进行卷积，将深度卷积层输出的Cin个通道的特征图进行线性变换和特征融合，输出Cout个通道的特征图；

R4-4：在步骤R4-3后，同样使用ReLU激活函数对特征图进行非线性变换。