通过个体轨迹数据进行个体和集体行为分析的创新通用方法，用于研究法国渔船的海洋生物多样性保护和生态系统为基础的渔业管理，通过卷积神经网络构建轨迹的低维潜在表示，并使用 Bhattacharyya 系数比较轨迹的潜在分布，以及使用接近性图和扩展的随机块模型对多个网络进行个体聚类。

Dec, 2023

本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。

Mar, 2020

本论文提出了一种空间聚类方法来标记船舶路径，并使用位置信息。通过整合无监督机器学习技术来增强路径聚类的准确性，以及基于似然的路径建模和分割来进行更详细的分析，研究结果展示了该方法的卓越性能和高效性。该方法旨在为航线规划提供有价值的见解，最终提升海上交通的安全性和效率。

Mar, 2024

本文提出了一种基于深度学习的行为数据表征方法，用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列，并使用基于时间注意力的双向 LSTM 以无监督的方式学习序列嵌入，与风险专家生成的直观特征结合，形成混合特征表征。利用工程优化的 GPU 加速算法，该方法能够在几分钟内对亿万级交易进行聚类并检测欺诈交易。实验结果表明，该方法能够捕捉到漏报的欺诈性交易，并可应用于实时欺诈检测。

Jan, 2021

本文提出了一种层次化建模预测轨迹的方法，同时考虑频域响应、维度交互和不同时间尺度下的行为，以更好地适应不同形式和类型的轨迹数据；实验结果表明该方法在各类轨迹数据集上表现优异。

Apr, 2023

本文综述了轨迹聚类的发展，探讨了其在智能系统中的关键作用，归纳了三种聚类方法，分析了其限制因素与未来方向。

Feb, 2018

利用自动识别系统（Automatic Identification System，AIS）数据和编码器 - 解码器模型，本研究预测了船只轨迹，进而提高船只安全和避免船只与鲸类碰撞，证实了地理数据工程和轨迹预测模型在保护海洋生物物种方面的潜力。

Oct, 2023

使用多智能体仿真实现具有可信行为的道路用户模型的问题尚未解决。数据驱动方法是通过推断在真实情况中可能存在的行为，从大量观察中获取不同类型的轨迹，并使用其分类来训练能够推测这种行为的模型。该研究在考虑车辆和两种不同类型的弱势道路用户的基础上，提出了轨迹聚类方法，并评估了从原始数据中提取明确定义的轨迹类别的方法，同时将 “离奇” 或不完整的轨迹与在任何场景下都具有代表性和完整的轨迹分离开来。然后通过三个不同的交叉口和一个环形交叉口作为测试环境，使用开发的方法进行测试。所得到的轨迹簇可以用于预测或学习任务，或者如果由离群值组成则可以舍弃。

Jul, 2024

本文提出了一种新的基于分层全局视图引导的序列表示学习框架，其中将全局图嵌入模块与和谐 $eta$-attention 模块相结合，旨在进行有效的风险预测，实现了与其他基线方法相比具有竞争力的预测性能。

Nov, 2022

讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

Sep, 2018