Con la rápida evolución de la tecnología de conducción inteligente, la predicción de trayectorias de vehículos se ha convertido en una técnica fundamental para mejorar la seguridad vial y la eficiencia del tráfico. En este dominio, los mapas vectoriales de alta definición y las redes neuronales gráficas (GNNs) desempeñan un papel vital, apoyando el posicionamiento preciso de vehículos y optimizando la planificación de rutas, mejorando así el rendimiento de los sistemas de conducción inteligente. Sin embargo, los mapas vectoriales de alta definición y las GNN tradicionales aún enfrentan varios desafíos en la predicción de trayectorias, como altas demandas de recursos computacionales, largos tiempos de entrenamiento y capacidades de modelado limitadas para entornos de tráfico dinámico e interacciones complejas. Para abordar estos desafíos, este documento propone un método generador de bordes adaptativo, este método construye y optimiza dinámicamente las conexiones entre nodos en la arquitectura de GNN, mejorando efectivamente la precisión y eficiencia de la predicción de trayectorias. Específicamente, clasificamos los nodos en nodos dinámicos y estáticos según sus atributos, y diseñamos estrategias diferenciadas de construcción de bordes en consecuencia. Para los nodos dinámicos, introducimos un factor de ángulo relativo, permitiendo que el modelo de atención considere de manera integral la distancia y el estado de intersección entre nodos, lo que resulta en un cálculo más preciso de los pesos de los bordes. Para los nodos estáticos, utilizamos un umbral de longitud para evaluar la viabilidad de establecer conexiones entre vehículos y líneas de carril, determinando si se debe establecer una conexión. A través de este enfoque, logramos reducir con éxito la complejidad algorítmica, aumentar la velocidad computacional y mantener una alta precisión en la predicción de trayectorias. Las pruebas en el conjunto de datos de predicción de movimiento de Argoverse demuestran que la predicción de trayectorias utilizando el generador de bordes adaptativo logra un error de desplazamiento promedio (ADE) de 0.6681, un error de desplazamiento final (FDE) de 0.9864 y una tasa de error (MR) de 0.0952. Además, los parámetros del modelo se reducen significativamente, validando la efectividad del método propuesto de predicción de trayectorias de vehículos basado en el generador de bordes adaptativo.