本文介绍了多种基于Transformer和大型语言模型的移动预测方法，如MobTCast、CSLSL和LLM-Mob。这些模型通过考虑时间、社交和地理等上下文因素，提高了兴趣点预测的准确性和效率，并在真实数据集上表现良好。研究强调理解人类行为意图的重要性，并提出了新的框架以改善移动意图推断。

该文综述深度学习在人类移动预测中的前沿研究，涵盖下一位置预测、人流预测和轨迹预测等任务，并介绍无监督移动行为聚类、端到端多模式轨迹预测、TrajNet++基准、多TCN-LSTM流量预测、可解释GeoXAI、SSDL兴趣点预测、数字孪生预测及泛化性重排序方法等成果。

本文介绍了一种基于Transformer结构的网络模型MobTCast，能够上下文感知地预测未来的兴趣点。该模型探究了时间、语义、社交和地理位置等四种上下文对预测的影响，并通过引入自我注意机制和地理位置预测分支以及一致性损失来提高预测性能。实验证明，该模型优于现有的预测方法，并且上下文等多种因素对于下一个兴趣点的预测具有重要意义。