یکی از حوزه‌های تحقیقاتی فعال در یادگیری‌عمیق رانندگی خودکار است که شامل بسیاری از مسائل مربوط به جهت‌یابی، پیش‌بینی مسیر و درک رفتار است. مسئله پیش‌بینی مسیر تشخیص مختصات مکانی عوامل مختلف جاده مانند اتومبیل، اتوبوس، عابران پیاده، حتی حیوانات و غیره است. پیش‌بینی دقیق مسیر برای جهت‌یابی ایمن بسیار مهم است. علاوه بر این، عوامل جاده‌ای رفتارهای حرکتی متفاوتی از خود نشان می‌دهند که ممکن است با سبک‌های رانندگی تهاجمی یا محافظه‌کارانه مطابقت داشته باشد. درحالی‌که انسان‌ها می‌توانند به‌سرعت رفتارهای مختلف عوامل جاده‌ای را که معمولاً در ترافیک مشاهده می‌شوند را پیش‌بینی کنند وسایل نقلیه خودران فعلی به دلیل ناتوانی در تشخیص رفتارهای عوامل جاده قادر به انجام جهت‌یابی کارآمد در ترافیک سنگین نیستند. با اینکه پیشرفت‌های گسترده‌ای در پیش‌بینی مسیر صورت‌گرفته است، تحقیقات کمتری در پیش‌بینی رفتار انجام شده است. مزیت دانستن اینکه آیا یک عامل جاده‌ای همسایه قرار است از عامل دیگری سبقت بگیرد یا اینکه یک عامل جاده‌ای در جلو قرار است به طور ناگهانی ترمز کند برای رانندگی این بسیار مفید است. علاوه بر این، وسایل نقلیه خودران به طور ذاتی از خود رفتار محافظه‌کارانه نشان می‌دهند که این مشکلات جدیدی را از نظر کارایی پایین و تجربه‌های ناخوشایند سفر ایجاد می‌کند به همین دلیل پیش‌بینی رفتار برای آگاهی اجتماعی آن‌ها بسیار مهم است. در این پایان‌نامه رویکردی جدید برای پیش‌بینی مسیرهای آینده و رفتار عوامل جاده به‌وسیله تجزیه‌وتحلیل گراف طیفی و یادگیری عمیق و علاوه بر این یک الگوریتم جدید مبتنی بر خوشه‌بندی طیفی برای کاهش حاشیه‌خطا برای پیش‌بینی بلندمدت و بهبود دقت مسیرهای پیش‌بینی شده مورد بررسی قرار می‌گیرد.
