本文提出了一种基于深度学习的，可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器-解码器结构和使用基于长短期记忆（LSTM）的编码器分析过去轨迹中的模式，使用LSTM解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留K个局部最优解，产生K个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明，所提出的方法的预测精度显著高于传统的轨迹预测技术。

Feb, 2018

本文提出了一种基于变压器的道路网络增强轨迹恢复框架(RNTrajRec)，其中使用GridGNN学习每个道路段的嵌入特征，GPSFormer学习丰富的空间和时间特征以及一个子图生成模块来捕获轨迹中每个GPS点的空间特征，在三个大规模真实轨迹数据集上的实验证实了我们方法的有效性。

Nov, 2022

本文提出基于扩散模型的轨迹生成框架Diff-Traj，并通过轨迹UNet (Traj-UNet)结构提取轨迹特征，使其能视为高质量的轨迹生成应用程序，并保留原始分布。

Apr, 2023

该研究报告详细介绍了基于惯性测量和全球定位系统数据的长短期记忆(LSTM)神经网络和多项式回归的对象位置坐标的预测与插值系统的设计和实现。通过对真实世界车辆和全球定位系统传感器的数据处理，我们的LSTM系统在实时低延迟和高精度中展现了较传统的卡尔曼滤波方法更低的平均误差和类似的推断时间。

Nov, 2023

GPS轨迹数据的栅格化在QGIS和PostGIS+QGIS方法中相对性能较低，而我们的方法能够根据处理时间指标获得最好的结果，其性能直接与GPS点的数量成比例并可通过增加处理器核心数量和/或多个计算集群进行提高。

Jan, 2024

我们提出了一种新颖的稀疏轨迹学习框架GenSTL，通过自回归生成特征域的方法，将稀疏轨迹与密集轨迹建立联系，从而消除了对大规模密集和匹配的轨迹数据的依赖，实验结果表明GenSTL在处理不同采样间隔的稀疏轨迹和不同下游任务上的适用性和实用性。

Feb, 2024

通过使用自我监督技术，提出了一种基于联合GPS和路线建模的新型表示学习框架JGRM，该框架考虑了GPS轨迹和路线作为单个运动观察的两种模式，并通过跨模态的信息交互来融合信息。通过构建两个编码器来捕捉路线和GPS轨迹的表征，并将两种模式的表征输入到共享的Transformer进行交互。通过三个自我监督任务来训练模型，实验证明JGRM在道路段表示和轨迹表示任务中优于现有方法。

Feb, 2024

使用基于变压器的编码器-解码器模型，将噪声GPS数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

Apr, 2024

通过建模轨迹图并设计新颖的消息传递机制来学习轨迹表示，并将宏观语义进一步结合到图形解码器中，以指导轨迹恢复。对两个真实世界轨迹数据集分别构建的具有三个不同采样间隔的稀疏轨迹进行的大量实验证明了我们提出的模型的优越性。

Apr, 2024

本研究解决了城市环境中由于采样率限制、基础设施覆盖和数据丢失导致的稀疏和破碎轨迹恢复问题。提出的TrajWeaver框架通过概率扩散模型结合辅助特征，实现了从稀疏轨迹中恢复出密集且连续的运动轨迹，展示了显著的恢复准确性和性能提升，特别是在复杂的城市区域。

Sep, 2024