UniST 是一个通用模型，具备强大的城市时空预测能力，尤其在少样本和零样本情况下表现优越。研究提出的 UniTabE 方法提升了表格数据处理效果。UniTraj 框架通过扩大数据规模提高了车辆轨迹预测性能。UniTE 框架在机器翻译质量评估中展现了显著的泛化能力。UniTR 网络处理多传感器数据，提升了自动驾驶系统的感知准确性。

本文探讨了多模态车辆轨迹预测的最新进展，包括利用环境地图提高预测准确性、基于文本的交通场景表示方法，以及结合视觉语言模型的自动驾驶系统DriveVLM。这些方法在复杂驾驶条件下表现优越，显著提升了轨迹预测效果。

该研究综述了后门攻击与防御机制，分类讨论了攻击类型及阶段，分析了现有策略的优缺点。提出了基于联邦学习的车辆轨迹预测算法FL-TP，提升了攻击检测和轨迹预测的准确性。同时，研究了数据毒化攻击及其防御策略，提出FLTracer以检测多种攻击，表现优于现有方法。此外，探讨了分布式学习系统中的毒化攻击，并提出主动防御机制以保护通信系统。

本文介绍了一种基于图神经网络的交通场景车辆轨迹预测方法，通过建模相互作用和自动标注生成交互标签，显著降低轨迹误差。研究结合图卷积网络和Transformer，处理复杂交互和交通规则，提升预测精度，具有实际应用潜力。

本文介绍了一种结合离散选择模型和神经网络模型的车辆轨迹预测模型，能够理解车辆与周围环境的社交互动行为并预测其轨迹。通过使用INTERACTION数据集进行实现和评估，证明了该模型的有效性。