该研究提出了一种基于预训练的深度学习模型——PreTraM，通过将轨迹和地图相连接来提高轨迹预测的准确性和数据利用率。PreTraM比AgentFormer和Trajectron等基线方法在nuScenes数据集的FDE-10性能上分别提高了5.5%和6.9%。

Apr, 2022

本文介绍了一种基于STMap的交通轨迹重建方法，采用了Spatial-Temporal Deep Embedding（STDE）模型，在像素和实例级别上形成奇偶校验约束，以生成用于STMap上车辆条带分割的实例感知嵌入，采用mutex-watershed算法最终获得聚类结果。

Sep, 2022

该论文介绍了一种空间轨迹的表示学习框架，通过将轨迹的部分观测表示为概率分布，实现对未观测部分的不确定性建模，并通过学习的潜在空间实现插值和外推。该方法能够直接修改轨迹的特定属性，如步伐，以及将不同的部分观测组合成单个表示，实验结果表明，在预测任务中具有比基线方法更好的性能。

Oct, 2022

基于大规模真实人类轨迹数据集，该研究提出了trajdata，以提供一个统一的界面和API，用于训练和评估人类轨迹预测方法，从而加深对当前行人和自动驾驶运动预测研究的数据基础的理解，并提出了未来数据集的建议。

Jul, 2023

通过预先训练基于位置的嵌入来提高位置服务的性能，并利用Geo-Tokenizer减少训练的位置数量，在考虑位置的时间依赖性的同时，有效地训练分解的位置，从而提供更少的模型参数并改善下游任务的性能。

Oct, 2023

本研究提出了一种空间-时间联合表示学习方法(ST-GraphRL)，用于将可学习的空间-时间依赖性编码到轨迹表示中。该方法在预测移动空间-时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间-时间模式。同时，该方法在广泛的地理空间数据表示和GeoFMs开发方面具有可迁移性。

Dec, 2023

在交通场景中预测人类轨迹对于混合或完全自主系统的安全至关重要。人类未来轨迹由社交互动和随机目标驱动，因此可靠的预测需要捕捉这两个刺激。我们提出了一种基于区域关系学习的模型，通过模拟关联总体态势下人类的区域动态，即人流密度变化，来模拟社交互动。此外，我们还利用条件变分自编码器实现多目标估计和多样化未来预测。通过对潜在分布进行变分推断，该模型在测试数据中可以可靠地捕捉到随机行为。将多目标估计和区域关系学习集成到预测框架中，有效地模拟了社交互动和随机目标这两个刺激。我们在ETH-UCY数据集和Stanford Drone数据集上评估了我们的框架，结果显示在ADE/FDE指标上，相较于现有模型，在SDD数据集上我们的模型分别超过了27.61%/18.20%。

Apr, 2024

通过利用预训练语言模型（PLM）建立一个名为PLM4Traj的模型，该模型能够适应不同任务，有效地提取出嵌入在轨迹中的运动模式和旅行目的，从而解决了原始PLMs在建模轨迹时的不足，为轨迹学习提供了通用的解决方案。

May, 2024

对于轨迹数据的相似性搜索，本文提出使用ConvTraj模型，结合1D和2D卷积分别捕捉序列和地理分布特征，实现了高性能的轨迹相似性搜索，并在实验中展示了其在大规模数据集上的效果。

May, 2024

本研究旨在评估人工智能基础模型在运动轨迹表示中的能力，尤其是大型语言模型(GPT-J)在编码轨迹数据方面的有效性。研究结果表明，虽然LLM能够保持一些轨迹距离度量的相关性，但在恢复数值和检索空间邻域方面仍面临挑战，强调了对地理空间数据的细微差别的捕捉及领域知识的整合的重要性，以支持GeoAI应用。

Aug, 2024