研究核心与创新
在智能交通与自动驾驶领域，准确的轨迹预测是确保行驶安全与提高交通效率的核心。本研究提出了一种集成改进多元变分模态分解（IWOA-MVMD）、双向交叉注意力机制、Bi-Mamba网络与混合密度网络（MDN）的预测框架。
该框架实现了频域-时空协同建模，有效处理车辆运动的非平稳性、多尺度特征、复杂空间交互和噪声干扰，在高速公路场景下达到了卓越的预测精度。
四大核心挑战
非平稳性与多尺度特征
车辆运动包含长期趋势（如匀速行驶）与局部波动（如换道、紧急制动），特征容易混叠，传统方法难以分离。
复杂空间交互
密集交通流下，目标车辆受周边车辆（跟驰、侧向干扰）的动态影响显著，需要精准建模车间交互。
噪声干扰
传感器采集的数据往往包含高频随机噪声，影响预测模型的稳定性和准确性。
地理空间异质性
预测误差往往与道路结构（如匝道、织入区）相关，具有空间分布规律，需要空间感知能力。
技术框架四大核心模块
IWOA-MVMD频域分解
改进鲸鱼优化算法（IWOA）自适应优化多元变分模态分解（MVMD）参数，将原始轨迹序列分解为趋势、周期和噪声分量，实现多尺度特征解耦。
有效分离长期趋势与短期波动，降低特征混叠
双向交叉注意力机制
建模目标车辆与周边8辆车的双向交互关系，通过Query-Key-Value机制捕捉跟驰、侧向干扰等复杂空间依赖。
精准量化车间交互强度，提升空间感知能力
Bi-Mamba时序建模
采用双向Mamba网络进行时序特征提取，通过状态空间模型（SSM）高效捕捉长距离时间依赖，计算复杂度仅为O(n)。
相比Transformer，参数量减少40%，推理速度提升3倍
混合密度网络（MDN）
输出多模态高斯混合分布，量化预测不确定性，适应换道等多路径场景，提供概率化轨迹预测。
输出置信区间，支持风险评估与决策优化