RNN是链式结构的神经网络，其中长短期记忆网络（LSTM）是一种时间循环神经网络，其可以记忆历史输入，因此LSTM可用于解决RNN存在的长期依赖问题。在轨迹预测任务中，LSTM基于连续处理序列和存储的潜在状态来建模关于交通智能体的运动信息[92]，将目标智能体的历史轨迹作为基于LSTM的编码器-解码器模型的输入，将最后一个单元的隐藏状态反馈到输出层以预测未来位置。Altché等人[93]使用单个LSTM层抽象出输入数据中有意义的时间序列表示，进而预测高速公路车辆未来的横向和纵向轨迹，解决行驶速度不平衡问题。Zyner等人[94]使用3层LSTM获得加权高斯混合模型（GMM）参数，使用概率最高的模态对多条预测轨迹进行聚类。Park等人[95]使用LSTM编码器对历史轨迹进行编码，使用LSTM解码器搜索算法，使解码器输出的未来轨迹保持局部最优解，从而在占用图中生成多条最有可能的未来轨迹。然而仅依靠单层LSTM的方法无法实现车辆间的交互建模。因此Deo等人[61]通过将卷积社会池与LSTM组成的编码器结合的方法，使用CSP提取交互信息和空间信息，并将其作为LSTM的输入，解码器结合CSP和LSTM的输出联合预测车辆的未来轨迹。Song等人[96]在此基础上，在输入中添加规划轨迹，优化最终的预测轨迹。Xin等人[97]使用两种LSTM，通过横向特征评估每一次机动的可能性，然后将此可能性作为预测未来轨迹的依据。Shirazi等人[98]设计了7层堆叠的LSTM和密集层组成的深度LSTM模型，预测车辆在路口的机动。Xing等人[99]基于LSTM提出联合时间序列建模的方法——JTSM，使用高斯混合模型GMM区分驾驶风格，并通过LSTM和全连接回归层区分序列数据和驾驶风格预测未来轨迹。Zhang等人[100]通过双层LSTM推测路口场景驾驶员意图与多模态轨迹预测。