自动驾驶作为智能交通系统最重要的革命性技术之一，正受到学术界和工业界的广泛关注。自动驾驶的独特潜力为长期存在的交通挑战（如道路安全和城市拥堵）提供了解决方案（Hakak等人，2023年；Bharilya和Kumar，2024年）。随着自动驾驶技术的不断发展和改进，其大规模生产和应用的前景逐渐成为现实。
车辆轨迹预测对于智能交通系统（ITS）的演进和自动驾驶的进步至关重要。在自动驾驶系统中，轨迹预测是感知与决策之间的重要模块，它对传感器收集的环境感知信息进行高级抽象表示和理解（Mozaffari等人，2022年；Mo和Lv，2023年）。随后，自动驾驶车辆可以做出适当的驾驶决策，例如减速以避免与前车碰撞或加速以完成变道。车辆轨迹预测对于推动智能交通系统和自动驾驶技术的发展具有重要意义（Bou Abboud等人，2025年）。由于驾驶风格和车辆互动的多样性和复杂性，现有的轨迹预测模型仍需进一步改进。
在真实交通场景中，车辆轨迹受到多种因素的影响，包括历史运动状态、车辆间互动和驾驶风格。自动驾驶车辆利用下一代传感设备和路边单元来收集周围车辆的运动状态。鉴于车辆运动的高不确定性，自动驾驶车辆不能仅依赖对象感知结果来做出实时和准确的决策。此外，车辆间的复杂互动增加了车辆轨迹的不确定性（Fittipaldi等人，2025年）。最近的研究还探索了先进的数据驱动和物理信息驱动的范式来解决这些挑战。例如，张量分解方法在交通研究中越来越被采用，从大规模交通数据集中提取潜在的时空结构，为交通动态和系统级依赖性提供可解释的表示（Li等人，2024年）。同时，提出了基于物理信息的深度学习框架，将运动动力学和物理约束整合到神经网络中，从而提高预测的稳定性和物理合理性（Li等人，2023年）。这些方法强调了在数据驱动的灵活性与物理可解释性之间取得平衡的重要性。得益于人工智能的进步，深度学习已经具备了从原始数据中自动学习特征表示的能力，使模型能够有效捕捉车辆间的时间依赖性和空间互动，从而实现准确的轨迹预测（Huang等人，2022年）。最近关于车辆轨迹预测的研究主要采用机器学习方法，因为这些方法在处理序列数据方面表现出色，例如长短期记忆（LSTM）网络（Deo和Trivedi，2018年）、门控循环单元（GRU）（Li等人，2019年）、图神经网络（GNN）（Wang等人，2021年）和变换器（Liu等人，2021年）。然而，包括基于GNN和变换器的方法在内的大多数最先进框架仍然依赖于同质的行为假设，主要关注空间-时间相关性，而忽视了驾驶员特定的行为差异性。这一局限性促使我们开发了DS-STT模型，该模型明确整合了驾驶风格特征，以提高轨迹预测的行为适应性和可解释性。
驾驶风格指的是车辆在时间观测窗口内表现出的行为模式，这些模式影响其与周围车辆和环境的互动。根据Chandra等人（2022年）的定义，它代表了一种依赖于上下文的行为模式，而不是驾驶员的永久特征。具有不同驾驶风格的车辆表现出不同的驾驶行为，这可以直接通过它们的轨迹体现出来。例如，保守的驾驶员倾向于保持较低的速度并保持在单一车道内，而激进的驾驶员则可能加速迅速、频繁变道，并朝交通密集区域行驶。由于大多数公共轨迹数据集缺乏明确的驾驶风格注释，我们采用了一种经过充分验证的基于注释的监督程序来生成标签。在这种方法中，从车辆轨迹构建时变交通图，以计算每辆车的度中心和接近中心性。这些时间中心性轮廓通过二次回归进行拟合，其一阶和二阶导数用于表征驾驶行为的动态。人类注释者随后在短时间段内识别出激进和保守的驾驶模式，并将其注释汇总以生成相应的风格标签。通过注释者间聚合和时间偏差误差（TDE）分析验证了这一注释过程的可靠性。在我们的实现中，仅使用过去和当前的轨迹信息进行特征提取和标签生成，以防止任何潜在的信息泄露。这种监督和可复制的标签生成过程能够得出可靠的真实驾驶风格标签，为所提出模型中的个性化轨迹预测提供了基础。
因此，为了克服上述限制，我们提出了一个考虑驾驶风格的空间-时间变换器（DS-STT），该模型整合了历史车辆轨迹、复杂的车辆间互动和不同的驾驶风格，以实现未来车辆轨迹的准确预测。受最近注意力机制和序列建模重大进展的启发，特别设计了空间自注意力（SSA）子层和时间卷积（TC）子层，嵌入到轨迹编码器中，使模型能够从原始轨迹数据中提取空间和时间相关性。此外，还提出了一种新颖的风格注意力模块（SAM），根据不同的驾驶风格生成注意力权重，从而引导轨迹解码器生成未来轨迹。DS-STT的完整实现，包括模型架构、训练配置和评估脚本，已在
https://github.com/Jeff-wzx/DS-STT上发布，以便于验证和复现。本文的主要贡献总结如下。
(1) 本文在动态交通场景中建立了一个风格特征提取器，该提取器整合了基于图的结构。具体来说，构建了一个空间-时间交通图（STTG）来描述车辆之间的复杂空间-时间依赖性。使用车辆的位置特征来计算相邻车辆之间的相对重要性，然后提出了一种风格特征提取器从图中提取驾驶风格特征。
(2) 我们引入了一个统一的模型结构来表述车辆轨迹预测问题。特别是，提出了SSA子层和TC子层来提取交通场景中车辆之间的复杂空间和时间相关性。然后设计了一种新颖的SAM，以整合驾驶风格、互动和车辆运动状态，引导轨迹解码器生成未来轨迹。
(3) 在两个真实世界数据集上进行了全面实验，以验证所提模型的有效性。结果表明，所提方法能够准确预测车辆轨迹。此外，还进行了广泛的消融研究，以验证每个网络组件的有效性和贡献。
本文的其余部分组织如下。第2节提供了关于驾驶风格和车辆轨迹预测的相关工作概述。第3节描述了车辆轨迹预测问题以及我们提出模型的详细信息。第4节进行了广泛的实验，并通过与其他基准模型比较，提供了详细的实验分析来评估DS-STT模型的性能。最后，第5节总结了本文并讨论了未来的研究方向。
