1.一种基于稀疏时空图Transformer网络的行人轨迹预测方法，其特征在于，包括以下步骤：S1：从图像帧中获取行人的位置信息，对行人轨迹信息进行数据预处理，得到当前帧每个行人的轨迹坐标，通过遍历图像帧，获取行人所有帧对应的轨迹；

S2：使用动态空间Transformer，利用自注意力机制对空间依赖关系进行动态建模，利用多头注意力机制对空间依赖的多种模型进行联合建模；

S3：使用时间Transformer，利用自注意力机制实现跨多个时间步的双向时间依赖性建模；

S4：使用稀疏映射函数entmax15应用于空间和时间Transformer，得到具有稀疏变换的时空Transformer网络；

S5：设计一种基于时空Transformer的时空块链的模型框架，同时利用动态空间依赖性和长期的时间依赖性；

S6：利用全连接层对行人运动的状态信息生成行人未来的轨迹位置。

2.根据权利要求1所述的基于稀疏时空图Transformer网络的行人轨迹预测方法，其特征在于，所述步骤S2中，具体包括以下步骤：S2.1：动态图卷积层

空间嵌入特征通过学习一个线性映射，将每个节点的输入特征投影到一个高维潜在子空间中，在高维潜在子空间中通过训练和建模来捕获动态的空间依赖性，首先将稀疏空间ransformer的输入特征X其中，

利用Q

使用稀疏注意力函数1.5-entmax归一化空间依赖，用SA

S2.2：提取行人之间的交互

采用自注意力机制用于图上的消息传递，使用多头注意力函数MultiheadAttention计算节点之间的注意力权重，nhead设置为8头，通过学习多个线性映射，以在不同的潜在子空间中模拟受各种因素影响的动态空间依赖性。

3.根据权利要求1所述的基于稀疏时空图Transformer网络的行人轨迹预测方法，其特征在于，所述步骤S3具体为：S3.1：自注意力首先计算从时间t＝1到T的查询矩阵Q其中的查询、键和值函数为一个共享的线性变换函数，利用QA

4.根据权利要求1所述的基于稀疏时空图Transformer网络的行人轨迹预测方法，其特征在于，所述步骤S4具体为：采用泛化的注意力机制α-entmax转换，通过引入一个可调整的参数α，允许模型在softmax和稀疏max之间平滑过渡，设置参数α＝1.5来替换softmax函数。

5.根据权利要求1所述的基于稀疏时空图Transformer网络的行人轨迹预测方法，其特征在于，所述步骤S5具体为：观测轨迹首先通过全连接层得到输入特征，接着进入到稀疏空间Transformer和稀疏时间Transformer，第l个时空块的输入是由第l-1个时空块在时间步长T获得输出张量