车辆轨迹预测已经成为众多领域的热点研究问题。对于个体出行者而言,车辆轨预测可以辅助优化出行者的出行路线,做出最佳出行决策,规避交通拥堵路段,提高出行效率,降低出行成本,同时也能提升出行者的驾乘体验。对于交通系统而言,车辆轨迹预测可以提前感知未来一段时间内的交通运行状态和发展趋势,为交通系统的运行状态优化提供依据,从而缓解整个交通系统的拥堵问题,促进交通系统高效、健康、可持续地发展。与此同时,随着城市交通向自主化、智能化方向发展及自动驾驶技术的日渐成熟,感知周围交通环境情况变化及其未来发展是尤为重要的,车辆轨迹预测在未来的交通中也具有非常重要的潜在应用价值。目前车辆轨迹预测方法多数集中在小时空尺度上,在大时空尺度上的研究较少,并且现有方法的预测效率不能令人满意。因此,本文在传统的隐马尔可夫模型的基础上,考虑交通出行会受到时间、空间等因素的约束,提出了一种考虑时空约束的车辆轨迹预测方法,该方法通过计算在确定的出行起讫点和出行期望时间条件下的车辆潜在路径区域,摒弃不符合出行时空约束的车辆历史轨迹,以优化预测模型的训练数据集,从而大大地降低了隐马尔可夫车辆轨迹预测模型的规模,同时减少了预测模型在决策过程中的干扰因素,最终提升了车辆轨迹的预测效率,同时对预测的准确率做出了积极的贡献。为验证本文所提出的方法的正确性和高效性,我们使用成都市25天的真实路况下的出租车轨迹数据对模型进行训练、验证与测试。实验结果表明,在解决大时空尺度上的车辆轨迹预测问题时,相同条件下相对于传统的基于隐马尔可夫模型的车辆轨迹预测方法,本文提出的方法在预测效率上提升达30%左右,并且在2至3倍的最短出行时间约束下其预测准确率也有所提高。