使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类，验证了方法的性能和广泛适用性。

Jul, 2018

本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

Apr, 2020

本文研究自动驾驶汽车预测未来路障轨迹的问题，提出了一种基于动态图注意力网络的方法，针对交通规则、社交互动、多类交通运动等方面的挑战，能够使用单一模型对多模态轨迹进行概率预测，并经过多个数据集的验证，证明该方法具有实际应用潜力且优于现有技术。

Mar, 2021

使用历史数据进行Spatio-Temporal预测并利用神经模型RadNet预测交通系统的表现参数以诊断意外情况，结果显示及其精确且较先进的F1得分较高

Jun, 2022

提出一种基于预测的冲突识别方法，使用递归神经网络进行车辆轨迹预测，并利用CitySim数据集训练模型以预测车辆未来路径和头部位置，从而更准确地维护车辆几何表示。实验发现，该方法在交叉口冲突分析中表现优于常用的轨迹预测模型和车辆几何表示方法。

Oct, 2022

本文提出了一种利用风险和场景图学习方法来预测异构道路代理轨迹的方法，该方法包括异构风险图和层次场景图，具有在驾驶情况下更有效的轨迹预测，并且在nuScenes，ApolloScape和Argoverse数据集上展示了优越的性能。

Nov, 2022

自主车辆安全验证的挑战在于不同于训练数据的安全关键情况，通过基于仿真场景测试扩展道路和交通条件的涵盖范围以及包含边界情况，可以改善自主车辆的安全性。我们的方法基于历史交通数据，允许工程师生成新颖、逼真的边界情况，并解释为什么这些情况是安全关键的。我们引入了概率车道图(PLGs)来描述有限的车道位置和方向，PLGs的结构是直接从时空交通数据中学习的。这个图模型通过以概率策略的形式，表示驾驶员对给定状态的响应行为，我们使用强化学习技术修改这个策略，生成逼真且可解释的边界情况，用于评估自主车辆的安全性。

Aug, 2023

使用合作信息进行自动驾驶的轨迹预测，提出了一种基于图神经网络的体系结构，能够有效地提高网络性能并处理不准确的合作数据。

Oct, 2023

本文通过构建一个大规模、统一的数据集，总计900万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达87%以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

Oct, 2023

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型HoliGraph，我们的方法显示出明显的优势。

Nov, 2023