对轨迹数据的深度学习方法进行了综合概述，并通过对移动性数据的数据中心分析，从 2018 年以来的文献进行了全面的定量回顾，探讨了八个特定的移动性应用案例及其训练数据的使用。

Feb, 2024

本文综述了将深度学习技术应用于时空数据挖掘，并介绍了应用深度卷积与循环神经网络等模型在处理此类数据时的分类学、任务、应用和展望。

Jun, 2019

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

通过对人类活动的深入研究，结合大量的数字移动数据和人工智能的预测能力，运用深度学习模型，以以往的机械学习模型为基础，归纳整理的分类学，对多个任务（如下一位置预测、人流预测、轨迹和流预测）进行研究，是对人类移动的前沿研究。同时解决基础概念和现有挑战，方便深度学习科学家和实践者的理解。

Dec, 2020

本文探讨用于交通视频分析的深度学习方法，着重强调自动驾驶车辆和人类驾驶车辆的行驶安全。提出一个典型的处理流程，可以通过提取操作安全指标和提供通用提示和指南来理解和解释交通视频。主要包括视频增强、视频稳定、语义和事件分割、目标检测和分类、轨迹提取、速度估计、事件分析、建模和异常检测等几个步骤。重点在于选择最佳步骤并提供缺少模块的新设计来引导交通分析师开发他们自己的自定义处理框架。还回顾了现有的开源工具和公共数据集，以帮助训练深度学习模型。此外，还调查了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统的汽车等相关的研究领域的联系和缺失方面。最后，回顾了交通监控系统的商业实施、未来展望以及广泛使用此类系统所面临的开放性问题和挑战。

Mar, 2022

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

本文综述了自动驾驶车辆 (AD) 的轨迹预测方法，重点讨论了基于机器学习的方法，包括深度学习和强化学习。该文还研究了常用的数据集和评估指标，并比较了两个主要的学习流程。通过确定现有文献中存在的挑战和潜在研究方向，本综述在 AD 轨迹预测方面做出了重要贡献。

Jul, 2023

提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

May, 2017

通过综合研究文献，本文广泛探讨了深度学习在各个学科中的潜在应用，以及相关的优势和挑战，验证了深度学习在预测分析方面的准确性和优势，使其成为一种强大的计算工具。深度学习独立于训练数据，因此需要大量的数据进行有效的分析和处理。为了处理大量的医疗、科学、医疗保健和环境数据，可以利用诸如 LSTMs 和 GRUs 的门控架构。对于多模态学习，神经网络中的共享神经元和特定任务的专用神经元是必要的。

Sep, 2023