预测未来的文本数据，结合时间历史背景，基于概率模型建立了未来语言模型。

Apr, 2024

为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

本篇论文提出了一种嵌入 Minkowski 时空中的新理论框架，通过利用特殊相对论中的光锥限制和穿过模型的潜空间，实现因果未来预测，成功应用于因果图像合成和未来视频帧预测。该框架是建筑和任务无关的，并具有强大的因果能力的理论保证。

Aug, 2020

使用深度学习工具来发现数据中的结构以预测未来事件，但能否进行此类预测受到可用数据中结构的限制，该限制可以通过可用数据的算法复杂度来模拟。

Apr, 2023

使用深度生成的世界模型来预测自主代理系统的完整轨迹，从而解决世界系统中存在的各种不确定性问题。

Feb, 2023

本文探讨了语言因素与预测技能之间的联系，并基于语言模型对预测技能进行了准确预测。

Jun, 2020

该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

Dec, 2020

本文提出了一种基于贝叶斯推断和多模式数据的方法，用于学习场景的未来状态，并展示了其在城市景观场景预测、数字生成和降水预测等领域的应用。

Oct, 2018

本文提出了一个针对人类姿态预测的开源库，其中包含多种模型、数据集和标准化的评估指标，旨在促进研究，并向统一和公平的评估发展。该研究通过提出建模其他模型的不确定性，并引入一个新的方法来量化任何模型的认知不确定性，证明其在准确性方面有高达 25% 的改进，并在不确定性估计方面表现更好。

Apr, 2023

深度学习系统在图像分类、基本编程和标准化测试中已经达到或超过了人类的准确率。然而，在预测未来事件的能力上，模型仍然难以取得准确的结果。本研究使用了一种新颖的真实世界事件数据集和相关的人类预测，提出了一个评估指标来衡量预测能力，并对不同基于 LLM 的预测模型在该数据集上的准确性进行了分析。结果显示，模型在预测未来方面仍然存在困难，可能是由于模型倾向于猜测大多数事件不太可能发生，这在许多预测数据集中是正确的，但并不反映实际的预测能力。我们对开发系统化和可靠的 LLM 预测方法的下一步工作进行了思考。

Jun, 2024