利用大量的无标签用户轨迹序列，我们引入了预训练移动性 Transformer（PMT）模型，通过将地理区域转化为标记并在这些表示中嵌入空间和时间信息，从而理解城市空间和人类移动性的基础。在三个美国大都市地区进行的实验证明了 PMT 在捕捉地理和社会人口特征以及预测下一个位置、轨迹完整和轨迹生成等任务方面的优越性，为解码人类移动性的复杂模式和洞察城市空间功能和个体移动偏好提供了新的见解。

May, 2024

本文提出了一种基于马尔可夫建模的下一位置预测算法（NLPMM），能够考虑个人和集体的移动模式，适用于不同时间段的数据，通过实验验证了该算法在预测移动对象位置方面的优越性。

Mar, 2020

公共活动下的人类移动性预测面临着挑战，但基于大型语言模型的 LLM-MPE 框架通过处理文本数据、学习和生成可读解释等方式，以标准化格式转换事件描述信息、将历史移动数据分割为常规和事件相关组件，并利用历史移动和事件特征进行需求预测并提供解释性洞察，以提高准确性。

Nov, 2023

本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。

Mar, 2020

本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

Jun, 2022

我们提出了一种新颖的解决方案，用于预测行人的未来轨迹。我们的方法使用多模态编码 - 解码变换器架构，以行人位置和自车速度作为输入。值得注意的是，我们的解码器一次性预测整个未来轨迹，而不进行一步预测，这使得该方法适用于嵌入式边缘部署。我们在两个流行数据集 PIE 和 JAAD 上进行了详细实验和评估，定量结果证明我们所提出的模型在 0.5、1.0 和 1.5 秒三个时间范围内始终具有最低误差，并且相对于现有最先进技术的速度更快。此外，消融实验证明了我们方法的关键多模态配置的影响。

Jul, 2023

提出了一种名为 MTP-GO 的模型，该模型使用时间图神经网络对场景进行编码，并使用神经常微分方程实现运动模型，通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测，证明了其在各种数据集上的预测能力优于现有方法

Feb, 2023

通过追踪 100,000 个匿名移动电话用户 6 个月的位置，发现人类运动的行为规律性，即每个人都具有一个时间无关特征尺度，并有极高的概率返回特定位置，这种旅行模式可与单一的空间概率分布相一致，这对城市规划、疫情预防和紧急响应等方面有重要的影响。

Jun, 2008

MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。

Oct, 2023