- 从数据中学习具备统计保证的时间逻辑谓词
我们提出了一种新的方法，利用表达式优化和符合预测，从有限样本正确性保证的角度学习出可以在用户定义的置信水平下正确描述未来轨迹的时间逻辑谓词。我们通过对模拟轨迹数据集的实验结果以及消融研究来展示我们方法的性能，并分析了算法的各个组成部分对性能 - 重访用于轨迹相似度学习的 CNNs
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。
- 一个百万人的路径：从维基百科提取生活轨迹
通过挖掘 Wikipedia 上数百万的人物传记页面，结合 COSMOS 模型的半监督学习和对比学习思想，本研究成功提取了人物生命轨迹，并提供了公开可用的代码、大量提取的轨迹数据和 WikiLifeTrajectory 数据集，以促进轨迹提 - LightTR: 一个轻量级的联邦轨迹恢复框架
基于轻量级的客户端 - 服务器架构，充分利用轨迹数据，提供轨迹恢复和数据隐私保护的轻量级框架，旨在提高城市应用的效能。
- 离线强化学习：状态聚合和轨迹数据的作用
离线强化学习中，对于具有价值函数的可实现性但不具备 Bellman 完备性的问题，我们提供了关于离线策略评估任务的负回答，并揭示了聚合马尔可夫转移模型中的集中度系数在样本复杂性中的重要性，即使原始 MDP 中的集中度系数较小且离线数据可接受 - DynGMA：一种从数据中学习随机微分方程的强鲁棒性方法
本文介绍了一种从轨迹数据学习未知随机微分方程的方法，通过近似参数化 SDE 的过渡密度的高斯密度近似和动力学高斯混合近似方法，实现了对完全未知漂移和扩散函数的精确学习和计算不变分布，适用于低时间分辨率和可变的，甚至是不可控的时间步长的轨迹数 - MobilityDL：基于轨迹数据的深度学习综述
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。
- VisionTraj：基于大规模摄像机网络的抗噪轨迹恢复框架
本文提出了 VisionTraj，一种基于学习的模型，可以从道路网络摄像机记录的快照重建车辆轨迹，并通过引入神经网络和 GCN-based 软去噪模块以及轨迹信息提高建模效果。实验结果显示，VisionTraj 相较于其他模型有最大 11. - 提高移动数据科学中的可解释性：方法结合
在移动数据科学领域中，本文综合了关键的可解释性技术，如 LIME、SHAP、saliency maps、attention mechanisms、direct trajectory visualization 和 PFI，来揭示轨迹数据模型 - 老年驾驶员轨迹数据异常行为检测
给定一个道路网络和一组轨迹数据，本文介绍了一种可以表示详细时空轨迹数据的边属性矩阵，并识别异常驾驶行为的方法。实验结果表明，该方法能够有效地识别异常驾驶行为。
- AugmentTRAJ：基于点的轨迹数据增强框架
该研究通过介绍一种名为 AugmenTRAJ 的 Python3 框架，提供一种可靠和可控的方法，用于生成合成轨迹，从而在增强移动数据分析模型性能和泛化能力方面提供研究人员实用而多功能的工具。
- 通过信息瓶颈对混沌动力系统进行优化测量
确定性混沌和完美测量之间存在等价关系，可利用机器学习来优化从轨迹数据中高效提取信息的测量过程。
- SST：基于现有轨迹的出租车目的地预测的简化 Swin Transformer 模型
通过将出租车轨迹转化为二维网格并使用计算机视觉技术，本研究提出了一种简化的 Swin Transformer 结构 (SST) 用于准确预测出租车轨迹的目的地，并通过基于真实轨迹数据的综合实验表明，SST 相较于现有方法能够实现更高的准确性 - 走向可解释的移动数据科学人工智能
本文介绍了我们关于可解释的移动数据科学 XAI 方案的持续研究成果，重点是通过使用时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型，如车辆和船舶的 GPS 轨迹，并回顾了现有的 GeoXAI 研究，主张采用以人为本的方法进行全面的解 - 基于室内轨迹数据的半监督活动识别方法
研究了使用机器学习对移动对象的活动进行分类的问题，并提出了一种半监督的机器学习方法，该方法通过将轨迹分段并自动标记，最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类，此方法已在一个三轮车装配车间的数据集上进行了评估。
- 基于物理知识约束的神经网络用于动力系统建模
利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学 - 多智能体行为数据集：老鼠二元社交互动
本研究介绍了一种用于理解多个智能体之间互动的技术：多智能体行为建模，并提出了 CalMS21 数据集，可以用于行为研究中行为分类方法的性能评估，包括跟踪数据和带有注释的数据。
- 从数据中学习稳定证明
我们开发了一种算法，从轨迹数据中学习证明函数。我们从轨迹数据中建立了证明函数，并将其转换为全局稳定性保证，可以应用于其他任务中。
- TPNet: 运动预测的轨迹提议网络
提出了一个新型的两阶段运动预测框架 ——Trajectory Proposal Network (TPNet)，即先通过生成候选的运动轨迹假设，再根据满足物理限制情况下的分类和细化来进行最终预测，从而实现了安全和多模态的预测，通过这种方法有 - CVPR基于轨迹和视频数据的足球团体活动检测
本研究使用轨迹和视觉数据来检测足球比赛中的群体活动，并提出了自我注意力模型来显式地建模球员与球之间的交互作用。结果表明，基于视觉或轨迹的方法都能够在 0.5 秒内识别出大部分事件，并且每种方法都有其独特的挑战。