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。

本文提出了一种基于语言模型的时间序列模式挖掘流程，用于人类移动预测。该流程结合辅助POI分类和编码器-解码器架构，实证证明在移动性预测中有效。此外，研究探讨了通过机器学习提升游览推荐体验的方法，提出的新算法SSDL显著提高了POI预测的准确性。

该文综述上下文感知在移动预测中的应用：利用手机传感器与自我网络建模社交和位置上下文以提升预测表现；研究GPS下一地点预测、推特位置预测及物联网上下文感知；提出不确定性感知框架、LSTM人群轨迹预测、轨迹泛化重排序方法及MobTCast模型预测POI；并分析POI推荐中多类上下文融合的效果。