车辆在高速公路行驶过程中速度较高,各类驾驶操作所需距离较长,换道行为对周围车辆的影响较大,容易导致交通事故的发生。提前识别周围车辆的行驶意图,有助于提升交通安全性和自动驾驶技术。因此,本文基于自然驾驶轨迹数据对车辆换道意图和换道轨迹进行预测,主要研究内容包括以下方面:（1）通过无人机实地采集高速公路合流区自然驾驶轨迹数据,利用Tracker软件提取轨迹的时间、位置等信息,进而计算速度、加速度等指标,基于Grubbs检验进行轨迹数据筛选后累计获得自然驾驶轨迹1482条。基于Python提取符合标准的跟驰和换道轨迹片段,共获得跟驰片段420条,换道片段298条。（2）基于自然驾驶轨迹分析驾驶风格,计算各轨迹的速度、加速度和变加速度等统计指标,对比K-means++和谱聚类效果,选择效果更优的K-means++聚类将驾驶风格划分为保守型、普通型和激进型三类,三类驾驶风格的特征分布有明显区别。建立随机森林、逻辑回归和SVM模型对驾驶风格进行识别,三个模型的识别准确率均在85%以上,其中随机森林预测精度最高为93%,能够较好的识别驾驶风格。（3）筛选出的车道保持、向左换道和向右换道三类样本比例并不均衡,采用Kmeans++和SMOTE相结合的方法将样本比例修正为2:1:1。提取能够表征车辆换道意图的特征,基于XGBoost、Light GBM和两者的Stacking融合模型构建是否考虑驾驶风格的两类换道意图识别模型。结果表明最优换道时窗为2s;考虑驾驶风格的模型综合表现更好,在换道开始时刻点前2.2s时仍能保证75%以上的识别准确率;三个模型均能准确识别车辆换道意图,Stacking融合模型的准确率最高,Light GBM模型运行速度最快。（4）结合CNN和LSTM构建6个参数不同的CNN-LSTM模型,对具有换道意图的车辆进行轨迹单步预测和多步预测,确定每类模型的最优网络结构。单步预测由于预测时间较短,因此误差极小。多步预测由于误差的累积效应,预测轨迹的误差随着预测时长的增加不断增加,多步预测下最佳时间窗为1s。对比是否考虑驾驶风格信息的两类模型,结果显示CNN-LSTM模型能够对换道轨迹做出准确预测,考虑驾驶风格信息能够降低轨迹预测误差,在预测时长为4s时,x、y方向上的预测精度分别提升了11.91%和15.97%;在预测时长为6s时,x、y方向上的精度分别提升了9.18%和9.36%。