1.一种预测行人轨迹的方法，其特征在于，包括：

获取当前行人过去的历史轨迹信息，并通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动特征；

利用社交注意力机制对所述行人运动特征进行处理，得到当前行人的权重信息，并利用所述权重信息和所述行人运动特征，得到当前行人的行人运动隐藏特征，其包括：其中， 是行人运动隐藏特征；所述 是行人上一时刻的行人运动特征； 是相邻行人上一时刻的运动状态信息， 是上一时刻周围行人m的对行人u未来um轨迹的影响，b 是权重信息；Z是噪声；

利用所述当前行人的行人运动隐藏特征和当前行人的初始运动状态信息 对当前行人的行人轨迹进行预测，得到当前行人的预测行人轨迹；

其中，所述当前行人的初始运动状态信息 包括：

um

所述社交注意力机制是指将p 和 通过标量积和softmax运算得到每个相邻行人的um um注意力权重b ， 是所有行人运动特征信息，n表示行人的数量，p 是行人u与他周围相邻行人m的交互运动信息；其中，行人u和他周围交互密切的行人m之间相对位置信息通过全um um连接网络φ(·)映射至p ，得到行人u和他周围交互密切的行人m之间相对运动信息p 。

2.根据权利要求1所述的方法，其特征在于，所述通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动特征包括：通过全连接网络将所述当前行人过去的历史轨迹信息从坐标空间转化到特征空间；

通过将所述特征空间和当前行人上一时刻的行人运动特征进行编码处理，得到当前行人的行人运动特征。

3.根据权利要求2所述的方法，其特征在于，所述通过将所述特征空间和当前行人上一时刻的行人运动特征进行编码处理，得到当前行人的行人运动特征包括：γ

其中， 是指行人运动特征；γ是指函数； 是指特征空间；W 是指函数γ的权重参ec数，W 是编码器的权重参数。

4.根据权利要求2所述的方法，其特征在于，所述利用社交注意力机制对所述行人运动特征进行处理，得到当前行人的权重信息包括：根据当前行人的行人运动特征，计算当前行人与其每个相邻行人的相对运动信息；

利用所述相对运动信息，计算当前行人与其每个相邻行人的注意力权重；

利用所述相对运动信息和所述注意力权重，得到当前行人的权重信息。

5.根据权利要求4所述的方法，其特征在于，所述利用所述当前行人的行人运动隐藏特征对当前行人的行人轨迹进行预测，得到当前行人的预测行人轨迹包括：获取当前行人的初始运动状态信息，并利用所述当前行人的行人运动隐藏特征对所述初始运动状态信息进行更新处理，得到更新后的运动状态信息；

通过将所述更新后的当前运动状态转化到坐标空间,得到当前行人的预测行人轨迹。

6.根据权利要求5所述的方法，其特征在于，所述通过将所述更新后的当前运动状态转化到坐标空间,得到当前行人的预测行人轨迹包括：其中， 是预测行人轨迹： 是更新后的当前运动状态。

7.一种预测行人轨迹的装置，其特征在于，包括：

处理模块，用于获取当前行人过去的历史轨迹信息，并通过对所述历史轨迹信息进行编码处理，得到当前行人的行人运动特征；利用社交注意力机制对所述行人运动特征进行处理，得到当前行人的权重信息，并利用所述权重信息和所述行人运动特征，得到当前行人的行人运动隐藏特征，其包括：其中， 是行人运动隐藏特征；所述 是行人上一时刻的行人运动特征； 是相邻行人上一时刻的运动状态信息， 是上一时刻周围行人m的对行人u未um来轨迹的影响，b 是权重信息；Z是噪声；

预测模块，用于利用所述当前行人的行人运动隐藏特征和当前行人的初始运动状态信息 对当前行人的行人轨迹进行预测，得到当前行人的预测行人轨迹；

其中，所述当前行人的初始运动状态信息 包括：

um

所述社交注意力机制是指将p 和 通过标量积和softmax运算得到每个相邻行人的um um注意力权重b ， 是所有行人运动特征信息，n表示行人的数量，p 是行人u与他周围相邻行人m的交互运动信息；其中，行人i和他周围交互密切的行人m之间相对位置信息通过全um um连接网络φ(·)映射至p ，得到行人i和他周围交互密切的行人m之间相对运动信息p 。

8.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1‑6任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1‑6任一项所述的方法。