1.一种基于模糊预测的车辆轨迹数据压缩方法，其特征在于，该方法包括以下步骤：

(1)轨迹数据模糊化：采集车辆轨迹数据，根据车辆位移增量序列的统计数据，确定隶属度函数的参数，从而定义隶属度函数；根据隶属度函数划分若干个论域，创建模糊集，将车辆两相邻时刻的位移增量序列的值通过模糊集和模糊划分转化为对应的模糊字符表示，则位移增量序列转化为模糊字符串；

(2)轨迹的模糊预测：通过神经网络预测目标车辆的驾驶意图，得到左变道、直行和右变道三种驾驶意图，再根据驾驶意图选择对应的多阶融合马尔可夫模型，由历史模糊位移增量序列预测出未来模糊位移增量序列；

神经网络输入的数据为目标车辆的位置二维坐标序列 速度vi，加速度

ai，车道标记Lanei，xi，yi表示ti时刻的二维坐标；与周围车辆的碰撞时间TTC，车道标记表示j车在i时刻与目标车辆的TTC和所处车道号；驾驶意图预测总的输入数据为 T为总采样时间；网络结构采用多层

GRU叠加，输出各驾驶意图左变道，直行，右变道的概率；TTC包含了目标车辆与周围其他车辆的距离关系和速度关系，目标车辆与周围车辆TTC的计算公式如下：其中 表示ti时刻与周围车辆j的碰撞时间TTC， 表示目标车辆的车

道编号与车辆j的车道编号相同，|x‑xj|为目标车辆与车辆j在x方向的相对距离，|vcosθ‑vjcosβ|为目标车辆与车辆j在x方向的相对速度，|y‑yj|为目标车辆与车辆j在y方向的相对距离，|v sinθ‑vj sinβ|为目标车辆与车辆j在y方向的相对速度，θ和β分别是目标车辆与车辆j的行驶方向与x方向的夹角；

(3)残差计算及轨迹点删除：根据模糊预测的模糊字符与原始的模糊字符比较，残差小于设定的阈值的轨迹点删除，残差大于设定的阈值的轨迹点则保留；

残差计算及轨迹点删除的步骤如下：

(3‑1)基于模糊字符的残差计算：模型预测的模糊字符需要与真实的模糊字符比较，模糊字符的残差计算如下式所示：其中m为预测的模糊字符所属模糊字符集中的序号，n为原始的模糊字符所属模糊字符集中的序号，r′为模糊字符的个数；

(3‑2)根据设置的阈值去除轨迹点：设置阈值ε，0≤ε≤1，如果预测结果与真实的轨迹位置没有偏差，即残差小于阈值，则去除该轨迹位置，如果具有偏差，即残差大于阈值，则需保留该轨迹位置，从而达到压缩的目的。

2.根据权利要求1所述的一种基于模糊预测的车辆轨迹数据压缩方法，其特征在于，步骤(1)中，轨迹数据的模糊化的详细步骤如下：(1‑1)轨迹数据坐标转换：车辆通过车联网络将轨迹数据发送到附近的边缘网关RSU，以网关的位置为坐标原点，将车辆的经纬度坐标序列转化为以边缘网关为原点的二维坐标序列；

(1‑2)基于模糊字符的轨迹数据模糊化：分别计算经度x及纬度y方向的位移增量序列；

具体为：计算在x和y方向的位移序列，将符号提取出来，得到x方向的位移增量序列和位移符号序列,y方向的位移增量序列和位移符号序列；对于x和y方向的位移增量序列，创建r个模糊集。

3.根据权利要求2所述的一种基于模糊预测的车辆轨迹数据压缩方法，其特征在于，将原始轨迹序列映射到以边缘网关为原点的二维坐标上；车辆通过车载GPS设备实时采集自己的位置，获得每一时刻以经度和纬度表示的原始的轨迹数据。

4.根据权利要求2所述的一种基于模糊预测的车辆轨迹数据压缩方法，其特征在于，根据道路类型信息或轨迹数据的精确度确定模糊粒度，进而创建r个模糊集。

5.根据权利要求1所述的一种基于模糊预测的车辆轨迹数据压缩方法，其特征在于，当阈值设置为0时，表示不允许预测出现误差，只要预测值和原始值有误差，则会将原始值加入到压缩轨迹中；当阈值设置为1时，表示任何预测都是在误差允许范围内的，此时，没有原始值加入到压缩轨迹中；因此，阈值ε越大，预测允许的误差范围越大。

6.一种基于模糊预测的车辆轨迹数据压缩装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现如权利要求1‑5中任一项所述的一种基于模糊预测的车辆轨迹数据压缩方法的步骤。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1‑5中任一项所述的一种基于模糊预测的车辆轨迹数据压缩方法的步骤。