随着共享单车和绿色出行的普及,自行车出行方式数量不断增加,骑行者的安全问题受到人们广泛关注,骑行者轨迹预测对于自动驾驶中局部路径规划非常关键。本文对骑行者轨迹预测领域展开相关研究,以骑行者动力学约束及与环境相互作用的假设为基础,提出多交互LSTM（MI-LSTM）预测骑行者轨迹,对所提出的模型在公开的Stanford数据集和HNU数据集上进行实验研究,评估模型的轨迹预测性能。主要内容如下:预测模型采用LSTM编码器对所提出的特征进行编码,解码器输出骑行者未来时刻的位移。提出使用道路特征描述道路边界和静态障碍物,以建立骑行者与道路之间的相互作用。模型使用位移特征对骑行者的运动进行建模,该特征可以使网络很好地学习出目标对象的运动特性。为了解决骑行者与行人、其他骑行者和车辆的交互,利用了包括对象属性和相对位置在内的对象特征。采用注意力集中机制对多种特征进行处理,反映网络对不同时刻下不同种类特征学习的重要程度。通过向LSTM解码器中输入处理后的特征,生成骑行者运动位移进而可以预测未来约2s的运动轨迹。此外,由于骑行者的研究较少且相应的数据集也不完善,因此研究建立HNU数据集。在Stanford数据集和本研究建立的HNU数据集下进行骑行者轨迹预测实验,提出的模型与当前主流的轨迹预测模型进行了对比实验。实验结果表明所提出的模型在大多数情况下其预测的准确性和时间效率上优于选取的对比模型。