近年来自动驾驶技术蓬勃发展,自动驾驶可以降低由于驾驶员人为因素引起的道路交通安全事故,同时提高道路通行效率。但在自动驾驶车辆进入实际交通场景时,将首先处于一个有人驾驶和无人驾驶混行的高度不确定和动态交互的复杂驾驶环境,自动车辆需要实时检测并采集周围车辆的运动信息以保证车辆行驶的安全,这就要求对周边车辆的驾驶行为和未来轨迹进行实时预测。由于车辆所获得的周边车辆信息有限,且其他车辆运动具有随机性,因此对于预测周围车辆的未来运动轨迹的研究有一定的挑战性。本文以长短时记忆神经网络(Long Short-Term Memory,LSTM)为核心算法,构造了基于交互性特征的卷积LSTM预测模型,论文主要研究工作如下:车辆轨迹数据为时间序列数据,本文基于卷积神经网络(Convolution Neural Network,CNN)和LSTM构造一个CNN＿LSTM(C＿LSTM)车辆轨迹预测模型。该预测模型包含输入层、卷积层、LSTM层和全连接层,卷积层网络进行初次提取轨迹特征,可以加快网络模型训练,LSTM网络层进行轨迹的时间序列特征提取,最后经过全连接层展开进行轨迹预测。轨迹数据采用NGSIM高速公路数据集对该模型进行验证,结果表明所提出的C＿LSTM模型均方误差平均值优于单层LSTM模型。考虑到C＿LSTM模型在训练过程中存在训练时间过长问题,且车辆轨迹的交互性特征无法显性表达出来,为了进一步提升模型精度,缩短模型训练时间,采用聚类算法对轨迹数据进行特征挖掘。通过密度聚类对轨迹坐标点聚类进行历史轨迹关联分析,模糊聚类对输入轨迹段进行轨迹行为相似性分析。通过聚类提取了交互性信息和轨迹变道类别信息作为数据新特征。最后,通过选择最佳输入历史轨迹长度,构建带有交互性信息的不同特征组合输入数据。分别训练了不同特征组合下输入数据的VC＿LSTM、CC＿LSTM、SC＿LSTM模型,采用MSE、RMSE、MAPE、DISTANCE、TIME评价指标对模型进行评估,在精度和时间两个维度上对带有交互性信息且不同特征组合下的预测模型进行评估和验证。结果显示,带有周边车辆交互性信息且经过特征选择的SC＿LSTM预测模型,可以满足预测实时性和精度的要求。