Con el rápido desarrollo de la tecnología de inteligencia artificial, se ha introducido el método de aprendizaje profundo para la predicción de trayectorias de vehículos en internet de vehículos, ya que proporciona resultados de predicción relativamente precisos, lo cual es uno de los eslabones críticos para garantizar la seguridad en el escenario de conducción mixta distribuida. Con el fin de mejorar aún más la precisión de la predicción mediante la plena utilización de escenas de tráfico complejas, se propone un método de predicción de trayectoria multimodal mejorado basado en el aprendizaje profundo de refuerzo inverso. Primero, se introduce un módulo de convolución dilatada fusionada para extraer mejor las características raster en la red de predicción de trayectorias multimodal existente. Luego, se mejora una política de actualización de recompensas con objetivos inferidos mediante el aprendizaje de las recompensas de estado de objetivos y caminos por separado en lugar de las recompensas complejas originales, lo que puede reducir el requisito de estados de objetivos predefinidos. Además, se introduce un factor de corrección en el módulo existente de generador de trayectorias, lo que puede generar mejor trayectorias diversas al penalizar trayectorias con poca diferencia. Abundantes experimentos en el conjunto de datos público popular actual indican que los resultados de predicción de nuestro método propuesto se ajustan mejor a la estructura básica del escenario de tráfico dado en un rango de predicción a largo plazo, lo que verifica la efectividad de nuestro método propuesto.