本研究旨在解决 Trajectory-User Linking (TUL) 任务，并表明直接使用 visit patterns 进行简单的启发式数据分析就足以解决 TUL 问题，并通过使用非参数分类器扩展 TUL 实验，将数据规模扩大到 100K 用户，达到三个数量级的增长，且在 Brightkite，Foursquare，Gowalla 和 Weeplaces 等四个现实世界数据集上获得了验证。

Dec, 2022

本文提出了一种名为 MainTUL 的新型互相蒸馏学习网络，用于解决移动轨迹 - 用户链接 (TUL) 的问题，该问题主要由于签到移动性数据的稀疏性造成。MainTUL 由循环神经网络轨迹编码器和时间感知的 Transformer 轨迹编码器组成，通过对历史轨迹学习的知识在两个轨迹编码器之间传递，实现了信息的互相蒸馏。在两个真实世界的签到移动性数据集上的实验结果表明，MainTUL 优于现有的基线方法。

May, 2022

该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

Jul, 2022

本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

Jun, 2023

本文提出了一种基于时空图的长短期记忆神经网络，用于在拥挤环境中预测行人的轨迹，考虑与场景中的静态和动态元素的交互，结果表明，相比于其他方法，本方法在人类轨迹预测方面能够将平均位移误差（ADE）和最终位移误差（FDE）分别降低高达 55％和 61％。

Feb, 2019

基于历史序列预测未来序列的时空预测学习提供了一种自监督学习范式，主流方法利用循环单元进行建模，但循环单元的并行性不足，常常在现实场景中表现欠佳。为了在保持计算效率的同时提高预测质量，我们提出了一种创新的三元注意力变换器，在设计上捕捉了帧间动态与帧内静态特征。通过将 Triplet Attention Module (TAM) 整合到模型中，我们取代了传统的循环单元，并对时空和通道维度中的自注意力机制进行了深入探索。在这种配置下：(i) 时序标记包含了帧间的抽象表示，有助于捕捉固有的时序依赖性；(ii) 空间和通道的注意力结合，通过在空间和通道维度上进行细粒度交互来改进帧内表示。交替运用时序、空间和通道级别的注意力使得我们的方法能够学习更复杂的短程和长程时空依赖关系。广泛的实验表明，我们的方法在移动物体轨迹预测、交通流预测、驾驶场景预测和人体动作捕捉等多种场景下性能超过了现有的基于循环和非循环方法，达到了最先进水平。

Oct, 2023

本研究提出使用关注机制进行轨迹预测的 STAR 模型，采用 TGConv 和临时 Transformer 模型，以及可读写的外部记忆模块，以实现复杂的时空交互并实现了 5 个真实世界的行人预测数据集的最新性能。

May, 2020

本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎，利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况，并获得了比流行数据科学和深度学习框架更高的效率。

Jan, 2022

提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

Dec, 2023

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023