为解决因缺乏部分行人建模思想、缺少时间维度的全局视野和忽略行人交互模式多样性，而导致交互建模不充分、低预测精度等问题，提出基于Social-STGCNN(Social Spatio-Temporal Graph Convolutional Neural Network)的改进模型STG-DTBTA(Spatio-Temporal Graph Distance Threshold Bi-TCN Attention)。首先，构建PPM(Partial Pedestrian Module)模块，对不满足距离阈值等约束条件的行人交互连接剪枝以去噪。其次，引入时空注意力机制，空间注意力动态分配交互权重，并设置多个注意力头以处理交互多样性问题；时间注意力捕捉时序数据的时间依赖关系。最后，采用双向TCN增加全局视野以捕捉轨迹数据中的动态模式和趋势，并采用门控机制融合双向特征。在数据集ETH和UCY上的实验结果表明，与Social-STGCNN相比，在维持参数量与推理时间接近的情况下，ADE平均降低8%，FDE平均降低16%。STG-DTBTA具有良好的交互建模能力、模型性能和预测效果。