通过融合天气和时间等信息，提出了一种新的天气-时间-轨迹融合网络 (WTTFNet)，用于改进深度神经网络架构，提高对行人目的地和轨迹的准确性。该方法在实验中表现出23.67％的分类准确度提高，平均和最终位移误差分别降低了9.16％和7.07％。可应用于行人设施工程、公共空间开发和技术驱动的零售等众多应用。

本研究评估了步行者轨迹预测技术与自动驾驶车辆中的常速模型的比较，并使用ETH/UCY数据集报告了位移误差。消融研究发现简单模型仍具有竞争力，某些特征对整体性能几乎没有影响。提出了指导未来轨迹预测算法发展的建议。