複雑な都市交通を安全かつ効率的に航行するためには、自動車両は周囲の交通エージェント（他の車両、自転車、歩行者など）の動きについて責任ある予測を行う必要があります。異なる交通エージェントの動きパターンを探し、その将来の軌道を正確に予測することにより、自動車両が合理的な航行決定を行えるようにすることが、挑戦的かつ重要な課題です。この問題を解決するために、我々は長期短期記憶（Long Short-Term Memory: LSTM）に基づくリアルタイム交通予測アルゴリズムであるTrafficPredictを提案します。当手法では、インスタンス層を使用して各インスタンスの動きと相互作用を学習し、カテゴリ層を使用して同じタイプに属するインスタンスの類似性を学習することで予測精度を向上させます。性能評価のために、変動する条件や交通密度を持つ大都市で軌道データセットを収集しました。このデータセットには、車両、自転車、歩行者が互いに移動する多くの困難なシナリオが含まれています。新規データセット上でTrafficPredictの性能を評価し、従来の予測方法との比較を通じて軌道予測における高い精度を強調しています。