驾驶行为预测在自动驾驶以及辅助驾驶技术中发挥着十分重要的作用,优秀的驾驶行为预测能力可以提升自动驾驶车辆的运行效率和安全性。但是在真实的场景下,道路场景的复杂性和诸多不确定性给驾驶行为预测带来了巨大的挑战,使得预测难度大、准确率低。深度学习算法依靠海量的数据支撑和强大的学习能力,具有建模简单、泛化能力好的特点,合理地设计深度学习网络结构就可以实现较高准确率的驾驶行为预测,然而深度学习算法又过度依赖数据,缺少了驾驶行为预测问题上可解释性的分析。本文提出了一种结合了梯度提升树（Gradient Boosting Decision Tree,GBDT）、卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆网络（Long and short-term memory,LSTM）算法的驾驶行为组合式预测模型,将GBDT在可解释性上的优势和CNN-LSTM泛化能力强的优势有效结合在一起,得到了较好的预测效果。主要工作如下:首先,本文使用CNN-LSTM并行式网络模型作为核心预测算法。在真实的交通场景中,目标车辆未来时刻驾驶行为的产生不仅会受到自身历史运动信息的影响,还会受到来自周边车辆历史运动信息的影响,这些信息中包含了时空两种维度的特征,因此本文使用LSTM和CNN分别实现车辆历史行驶信息中时序特征和空间特征的提取。本文将驾驶行为分为向左换道、直行、向右换道三种,通过对不同的驾驶行为样本进行统计分析,得到了不同驾驶行为产生时的特点,并利用目标车辆与其周边车辆历史运动信息预测目标车辆未来的驾驶行为。经过仿真实验,CNN-LSTM模型相比传统的行为预测方法有更好的预测性能。其次,本文使用基于决策树的GBDT算法对车辆行驶过程中的驾驶行为规则进行了特征挖掘,可以弥补CNN-LSTM模型在可解释性上的不足。CNN-LSTM模型本质上是一种端到端的结构,无法描述驾驶车辆所采取的不同驾驶行为与其周边车辆的交互性关系。本文使用的GBDT算法,可以对车辆行驶过程中与周边车辆的交互性进行定量化描述,得到一系列行驶车辆采取不同驾驶行为时的驾驶行为规则,并将驾驶行为规则特征融合到CNN-LSTM组合神经网络中,进一步提升驾驶行为预测模型的准确率。经过仿真实验,决策树可以将行驶车辆间的交互性关系定量化地描述,同时,融合了定量化特征的驾驶行为预测模型,相比CNN-LSTM模型有更好的预测性能。本文有图25幅,表8个,参考文献62篇。