针对攀爬飞机的精确轨迹预测，由于飞机操作的认知不确定性存在，会导致预测轨迹与实际观测轨迹之间的显著错误。本文提出了一种生成模型用于攀爬飞机，该模型通过从数据中学习推力的功能修正来丰富标准的飞机基础数据模型（BADA 模型）。该方法具备三个特点：与 BADA 模型相比，到达时间预测误差减少了 66.3%；生成的轨迹与测试数据相比更加真实；并且以最小的计算成本计算置信区间的方法。

Sep, 2023

提出了一种新的数据管理和预测系统，可准确预测国家空域系统（NAS）特定空域区域内的飞机计数。对美国的大量实际轨迹、天气和空中交通数据进行评估，验证了我们的系统在每个空域部门高效准确地预测飞机计数。

Oct, 2023

本研究中，我们提出深度学习方法来学习空中交通管理领域的交通管制员解决冲突的反应，以增强冲突检测和解决任务的自动化，该方法通过预测可能违反飞机航迹之间的最小分隔约束的冲突解决时刻的轨迹点，来评估其准确性。

May, 2022

提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

Jul, 2023

使用高斯混合模型对内陆航运中的船舶轨迹进行预测，在预测中整合了自动识别系统和泄放测量数据，以提高轨迹预测的准确性。

Jun, 2024

使用基于轨迹图像的深度学习方法预测航空器降落时间，实验结果表明通过集成保持特征提取方法，平均绝对误差（MAE）可以从 82.23 秒降低到 43.96 秒，同时达到 96.1％的平均准确率，其中 79.4％的预测误差小于 60 秒。

Jan, 2024

TrackGPT 是一种基于 GPT 的模型，可用于实体轨迹预测，并在测距和空间两个领域表现出强大的性能，同时保持领域无关性和最小化数据特征要求。

Jan, 2024

自动驾驶的安全性需要准确预测道路用户未来轨迹以进行安全运动规划，在具有挑战性的条件下尤为重要。本文提出了一种在原型对比学习框架中将更丰富的培训动态信息纳入其中的方法，并在两个大规模自然数据集上进行了实证评估，证明了该方法在改善长尾样本准确性和场景符合性方面达到了最先进的性能。

Apr, 2024

本文提出一种条件生成神经系统 (CGNS)，用于概率轨迹预测，该系统结合了条件潜空间学习和变分分歧最小化的优势，并利用软注意机制和可微障碍函数的正则化方法，将生成的样本推入可行区域。实验结果表明，与各种基线方法相比，我们的这个模型在预测准确性方面表现更好。

May, 2019

本研究提出了一种基于物理启发的时间卷积网络（PI-TCN）方法，用于纯从机器人经验中学习四旋翼系统动力学，结合稀疏时间卷积和稠密前馈连接，挖掘四旋翼动力学的结构，并将物理约束嵌入训练过程，以实现网络的泛化能力，同时实现了精确的封闭环轨迹跟踪和预测控制，实验结果表明这是第一次成功将物理启发深度学习应用于时间卷积网络和系统识别任务。

Jun, 2022