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

本文提出了一种新颖的深度学习框架，用于人类轨迹预测和在人群中检测社交群体成员。我们引入了一个生成对抗网络管道，可保留行人社区的时空结构，从而使我们能够提取描述其社会身份的相关属性，并将群体检测任务公式化为无监督学习问题，不需要通过手动标记的数据库进行监督学习，使我们能够直接将所提出的框架应用于不同的监控设置。我们在多个公共基准测试上评估了所提出的轨迹预测和群体检测框架，对于这两个任务，所提出的方法都证明了其相对于现有最先进方法更能够预测人类的社会行为。

Dec, 2018

本研究开发了一个模型用于预测人群和人群之间的交互，在拥挤的环境下使用 SG-LSTM 模型以更准确地预测轨迹，同时提供一个标记了行人组的大型视频数据集。

Mar, 2023

本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能，同时提出了大规模基于交互的 TrajNet++ 基准，并在真实和合成数据集上进行了实验，验证了文中方法的可靠性。

Jul, 2020

本文提出了基于群体的社交互动模型，使用递归机制生成社交行为图，并运用图卷积神经网络进行社交互动信息的传递，成功预测了复杂的社交行为。在 ETH 和 UCY 数据集上表现优于现有方法。

Apr, 2020

提出了一种社交关注的轨迹预测模型，该模型可以捕获人们在拥挤环境中导航时每个人的相对重要性，不受其接近性的限制。该模型通过对两个公开数据集的表现进行实证分析，对比了现有方法的性能，并分析了训练后的注意力模型，以获得更好地理解人类在拥挤环境中导航时关注周围团队的特点。

Oct, 2017

本研究提出一种利用 Correlation Clustering 算法在人群中检测社交团体的方法，其使用了一组专门设计的特征来描述人群成员之间的亲和力，并引入了 G-MITRE 损失函数来评估检测性能。在使用地面真值轨迹和先前提取的轨迹时，证明了该算法能够达到最先进的效果。

Aug, 2015

本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。

Jun, 2016

本文提出了一种在视频监控应用中检测和跟踪人群以及自动识别他们行为的方法，该方法通过维持空间和时间上的协同性来追踪移动在一起的个人，其中人员的轨迹经过时间窗口分析并使用 Mean-Shift 算法聚类，协同值描述了一组人群的描述质量，同时提出了一个正式的事件描述语言，该方法在机场、地铁、购物中心走廊和入口大厅的 3 个数据集中的 4 个摄像头视角上成功验证了人群事件的识别。

Jun, 2012

本文提出了一个集成图像和视频的大规模数据集， 收集了各种类型的目标（不仅是行人，还有自行车，滑板车，汽车，公交车，高尔夫球车）在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法，并且这个算法利用了新数据集的复杂度，可以模拟交互中的社会力量对行人的影响，有效地解决了目标跟踪与轨迹预测问题。

Jan, 2016