1.基于WGCN的车辆驾驶行为预测方法，其特征在于：包括以下步骤：一、生成每辆车的特征矩阵和本地地图；

二、特征矩阵加权后和经过CNN编码后的本地地图构建成一张图，并输入到GCN中；

三、通过GCN提取输入数据的特征，利用GCN的边‑增强注意力机制使边特征的维数增加，提高权重系数分配的准确率；利用GCN的特征传递机制使得车辆的交互特征能以图的形式进行传递，充分表示了车辆之间的交互关系变化；

四、将GCN输出的交互特征输入Transformer进行训练；

五、通过全连接层获得对车辆驾驶行为的预测结果。

2.根据权利要求1所述的基于WGCN的车辆驾驶行为预测方法，其特征在于：步骤一中，生成特征矩阵X，X＝[P，M]，其中P为节点特征矩阵，包括位置(x，y)，速度(vx，vy)，和航向角θ，M为本地地图；

3.根据权利要求1所述的基于WGCN的车辆驾驶行为预测方法，其特征在于：步骤二中，边‑增强注意力机制中的边‑增强是增加边特征的维度，使得边特征能表达更多信息；注意力机制是给不同的顶点分配不同的权重系数，不同的权重的顶点在处理时具有不同的优先级，顶点的权重越高，表示顶点的信息越丰富，影响力越大。

4.根据权利要求3所述的基于WGCN的车辆驾驶行为预测方法，其特征在于：边‑增强注意力机制中，顶点n与周围顶点的边特征向量进行计算周围车辆的权重值，最终目的是生成一个带权值的邻接矩阵，来表示不同车辆之间的影响大小，邻接矩阵表示如下：A′＝softmax(A)

上述公式描述注意力矩阵A′的过程，首先需要让边特征矩阵E经过归一化得到E′，然后让边特征矩阵与可训练的注意力参数矩阵Wa相乘，得到注意力矩阵A，随后将矩阵A的进行softmax计算得到A′，使得A′中元素的值在0到1的范围内，以便于表示不同的权重；最后得到加权邻接矩阵Aadj：Aadj＝E′A′。

5.根据权利要求4所述的基于WGCN的车辆驾驶行为预测方法，其特征在于：特征传递机制中，车辆间的邻接关系与交互特征以图的形式作为神经网络的输入，利用图卷积神经网络的特征传递方式进行信息更新，使得网络能充分的提取车辆之间的内在关系；

特征矩阵X与加权邻接矩阵Aadj作为更新信息在构建的交互模型中进行传播，具体更新过程如下：k

其中H 为隐藏矩阵，当k＝0时， α为权重系数，i＝1，2，...，m，0

M′＝CNN(M)，g＝[P′，M′]，H＝g，即为经特征矩阵加权后和经过CNN编码后的本地地图构建成的一张图；k代表的是在当前在GCN的第l层进行计算， 代表的是可训练k+1的权重矩阵，在训练时进行更新；最后，三者相乘的结果经过激活函数后得到H ；利用图卷积神经网络进行特征传递，能捕捉输入的车辆特征矩阵与加权邻接矩阵的关系特征。