人类在长久的演变中已经具有了完备的社会性,可以实现在穿越拥挤区域前,提前感知环境状态并自主导航,选择一条合适的道路以避免危险或碰撞发生,为了能描述出行人的这一种预警的能力,通过计算机仿真而模拟出的行人轨迹预测模型应该能模拟人类在拥挤环境中的预测能力。各种智能系统基于该类型的预测模型可以大大降低设备在复杂环境中的碰撞几率,并能够针对特定目标进行路线规划。目前在该领域内成果颇丰,但是因传统的行人轨迹预测方法都是基于人工设定的特征为行人行为建模。鉴于在行人运动的场景中充斥着各种影响因素,基于人工特征的建模方法已不再适应行人所处复杂多变的环境,只能适应特定的环境。人工神经网络的出现为该类问题提供了一个解决思路。通过机器学习,大量数据的特征可被用来提取和利用,机器学习被证明是解决诸如语音识别、语言翻译以及文字生成等序列问题的绝佳方法。作为一个典型的序列到序列问题,行人未来的轨迹理论上也可以使用机器学习的方法来预测。该问题将行人的一段历史移动轨迹作为神经网络的输入序列,行人未来一段时间内的移动轨迹则是输出序列。目前,关于行人轨迹预测任务的相关研究虽然取得了一定成果,但还存在行人状态的提取不够全面,以及因场景的选择而受到限制等问题制约了最终的行人轨迹预测效果。基于以上存在的问题,本文从注意力机制出发,利用GRU构建行人轨迹预测模型。首先使用GRU对场景内的所有行人进行编码,获得每个人隐含的运动特征和行为习惯,其次加入含有单注意力机制或双注意力机制的模块,来对场景状态全方面的把握,以及对场景内的行人运动状态进行解析,最后将通过注意力机制模块的向量输入到解码器进行解码,获得最终的行人预测轨迹。经过在公开实验数据集上的实验对比分析,本文提出的算法模型降低了预测误差,是有效可行的。本文研究工作包括以下三点:（1）针对传统方法因对行人场景的处理不够全面从而表现力不佳的问题,本文提出一种基于场景状态的GRU行人轨迹预测方法。该方法在编码器-解码器架构之间加入场景状态处理层,对行人的相对空间状态进行提取和对行人特征进行筛选。最终提高了模型对于场景内行人运动的把握能力。（2）为了继续提高模型对于行人轨迹预测的精确度,本文尝试结合双注意力机制进行行人轨迹预测,通过对行人历史运动习惯和场景状态的两方面专注,使得模型的预测能力有了进一步提升。（3）针对传统方法因受限于场景的不同从而对行人状态描述不足的问题,同时为了提高模型对行人的潜在特征进行更准确的关联,本文引入了双向GRU作为行人的编码器,分别从正序和逆序对行人运动的隐藏状态提取和加权融合,以此提升模型对运动场景的描绘能力。