1.一种基于图卷积特征编解码的轨迹预测系统，其特征在于，包括：编码器、图卷积模块、注意力模块以及复合解码器；所述编码器与图卷积模块连接，所述图卷积模块通过注意力模块与复合解码器连接，所述编码器用于提取物体运动轨迹的深层特征，所述图卷积模块用于对所述运动轨迹的深层特征进行去噪及相关性分析，所述注意力模块用于增强编码器，所述复合解码器包括重建解码器和预测解码器，所述重建解码器用于完整重建输入数据，所述预测解码器用于重建未来的预测数据；

其中，所述图卷积模块首先采用点积计算相似性的方法计算出物体运动轨迹的各轨迹点之间的相似性矩阵 ：

其中 代表所述运动轨迹的深层特征，代表深层特征矩阵的转置，之后计算每个轨迹点对其他轨迹点的相似度均值，利用均值 对轨迹点进行筛选，相似性 小于均值的轨迹点与当前轨迹点无关被舍弃，相似性 大于均值 的轨迹点则保留作为邻接矩阵 中的邻居节点 ，即：其中 表示轨迹点之间的邻接矩阵， 等于 表示第个轨迹点与第个轨迹点互为邻居并能进行特征聚合， 等于 表示舍弃，然后将获取的轨迹点之间的邻接矩阵和轨迹的深层特征输入图卷积网络，实现对深层特征的去噪，即：。

2.根据权利要求1所述的轨迹预测系统，其特征在于，所述编码器包括4层LSTM神经网络，该4层LSTM神经网络的通道数分别为128、64、32、16，经过所述编码器的编码能够得到物体的运动轨迹的深层特征 ，如下式所示：取第 个特征输入为 ，i=1,2,…,128，则对应的编码输出为，j=1,2,…,128。

3.根据权利要求2所述的轨迹预测系统，其特征在于，所述注意力模块是基于分层注意力网络模型构建的，所述分层注意力网络模型首先使用第一完全连接层 从LSTM神经网络的隐藏状态计算关注权重，其中 表示第一完全连接层在隐藏状态下的操作，而对于时间t的隐藏状态 是使用加权的softmax函数对注意力权重进行归一化，并使用点积计算上下文向量，即：，

其中 使用 作为权重的加权softmax运算符返回第个分段的归一化向量， 代表第段，之后将所述上下文向量与时间 串联，其后使用第二完全连接层生成注意力最终编码向量 ，即带注意力的深层轨迹向量。

4.根据权利要求3所述的轨迹预测系统，其特征在于，所述复合解码器接收所述带注意力的深层轨迹向量，并解码得到相应的 和 ，且按照下式中的损失函数 计算误差并相应优化，即：

。

5.根据权利要求3所述的轨迹预测系统，其特征在于，所述重建解码器用于学习重建降维特征向量以获得尽可能接近原始输入数据的数据，同时所述重建解码器还具有重建损失函数，所述重建损失函数能够用于判断重建解码器的输出是否与原始输入相似。

6.根据权利要求5所述的轨迹预测系统，其特征在于，所述重建解码器包括4层LSTM神经网络，该4层LSTM神经网络的通道数分别为128、64、32、16，经过所述重建解码器的解码能够得到物体运动轨迹的深层特征向量，所述深层特征向量的尺寸为 ，所述重建解码器能够根据所述深层特征向量连接完全连接层，且还原出与原始输入尺寸相同的重建特征，即：

记取第个深度特征向量为 , ，则所述重建解码器的输出为 , 为所需还原的序列个数。

7.根据权利要求6所述的轨迹预测系统，其特征在于，所述预测解码器具有与重建解码器相同的网络结构，但所述预测解码器连接的全连接层的节点数能够根据实际需求的输出对物体运动的原始轨迹进行预测。

8.根据权利要求7所述的轨迹预测系统，其特征在于，通过所述预测解码器能够得到的还原的特征为 ，其中，记取第 个深度特征向量为，j=1,2,…,16，则所述预测解码器的输出为 ，k=1,2,…,m，m为所需预测的序列个数。

9.根据权利要求1‑8中任一项所述的轨迹预测系统，其特征在于，所述重建解码器及预测解码器还均通过深度残差网络的短接层与所述编码器连接。

10.一种基于图卷积特征编解码的轨迹预测方法，其特征在于，包括：构建权利要求1‑9中任一项所述的基于图卷积特征编解码的轨迹预测系统；

使用编码器从输入的数据中提取出物体运动轨迹的深层特征；

使用图卷积模块用于对所述运动轨迹的深层特征进行去噪及相关性分析；

使用注意力模块增强编码器，以将所述运动轨迹的深层特征转换为换成带注意力的深层轨迹向量；

将所述换成带注意力的深层轨迹向量输入复合解码器，以其中的重建解码器用于完整重建输入数据，并以其中的预测解码器重建未来的预测数据。