للاستعراض الآمن والفعال في حركة المرور الحضرية المعقدة، يجب على المركبات ذاتية القيادة أن تجري توقعات مسؤولة فيما يتعلق بالعوامل المرورية المحيطة (المركبات، الدراجات، المشاة، إلخ). من بين التحديات الحرجة هو استكشاف أنماط حركة العوامل المرورية المختلفة والتوقع بدقة لمساراتها المستقبلية لمساعدة المركبة الذاتية القيادة على اتخاذ قرارات التنقل المنطقية. لحل هذه المشكلة، نقترح خوارزمية تنبؤ مروري في الوقت الحقيقي تعتمد على ذاكرة طويلة وقصيرة الأجل (LSTM-based)، والتي نطلق عليها اسم TrafficPredict. يعتمد نهجنا على طبقة مثالية لتعلم حركات وتفاعلات النماذج الفردية، ولديه طبقة فئوية لتعلم التشابهات بين النماذج التي تنتمي إلى نفس النوع لتحسين التوقع. من أجل تقييم أدائها، جمعنا مجموعة بيانات المسارات في مدينة كبيرة تتكون من ظروف وكثافات مرورية متنوعة. تتضمن مجموعة البيانات العديد من السيناريوهات الصعبة حيث تتحرك المركبات والدراجات والمارة بين بعضهم البعض. نقيم أداء TrafficPredict على مجموعتنا الجديدة من البيانات ونسلط الضوء على دقتها الأعلى في التنبؤ بالمسارات عند مقارنتها بالطرق السابقة للتنبؤ.