此研究旨在将异构的用户行为与社会影响结合起来进行行为预测，并使用包括 LSTM 变体、多面向关系建模机制、多面向关注机制、社会行为图的无监督学习及基于残差学习生成高阶交叉特征的方法进行探讨，定量和定性实验表明该模型的有效性。

Jul, 2022

行为感知模型是自主驾驶车辆开发中的一个重要进展，具备与人类驾驶员相同水平的能力，能够准确预测车辆轨迹。

Dec, 2023

本文提出了一种行人轨迹预测的新方法，称为 BA-PTP，利用行人的行为特征，通过摄像头上获取的视觉观察进行预测。通过融合不同的输入流和注意机制，产生最终的嵌入表达，用于预测图像中的未来边界框。在两个行人行为预测数据集的实验中，论文展示了利用行为特征进行行人轨迹预测的好处，并通过消融实验研究了不同行为特征对预测性能的影响。

Oct, 2022

本文测试了基于深度学习的预测器在公共移动数据集上的泛化能力，发现所有分析数据集中存在严重的轨迹重叠问题，表明预测器能够记忆轨迹但泛化能力有限。因此，本文提出了一种基于空间移动模式重新排名的方法，在不能记忆的轨迹上提高了预测器的准确性相对改进高达 96.15％。

Mar, 2022

介绍一种概率模型 (LB-EBM) 用于多样化的人类轨迹预测，该模型通过定义在潜在空间中的代价函数来考虑运动历史和社交背景，并且采用经验演示进行学习。从该模型中采样或优化得出信念向量，用于路径规划和长程轨迹预测，并在数据集上表现优于之前的最佳方法。

Apr, 2021

基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

Sep, 2019

该研究介绍了 CAB 运动预测模型及其训练过程，以促进使用语义上下文信息，并引入两个新指标 - 弥散度和范围收敛性 - 评估预测的时间一致性，并在 nuScenes Prediction 基准测试中得到了评估，证明了它在困难场景下的预测能力。

Sep, 2021

使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

Dec, 2023

本文提出了一种新的基于语言基础模型的时间序列模式挖掘流程，以用于人类移动预测任务，该模型通过引入特定提示将数值时间序列转换为句子，以便直接应用于现有语言模型，设计了一个 AuxMobLCast 流程用于预测每个 POI 的访客数量，结合了辅助 POI 分类和编码器 - 解码器架构，实证证明了该流程在移动性预测任务中发现序列模式的有效性，并在三个真实数据集上进行了评估，表现良好。

Sep, 2022

本文提出了一个新的人类出行轨迹挖掘流程，利用大型语言模型对兴趣点进行活动类型标注，并使用基于贝叶斯算法推断轨迹中每个停留点的活动，评估结果表明，该方法在 POI 分类方面达到了 93.4% 的准确率和 96.1% 的 F-1 分数，并在活动推测方面达到了 91.7% 的准确率和 92.3% 的 F-1 分数。

May, 2024