本研究提出了一种通用轨迹建模框架GenMove，通过掩码条件扩展现有轨迹建模，解决了缺乏统一模型的问题。实验结果表明，该框架在多种轨迹任务中表现优于现有技术，性能提升超过13%。

该研究提出了UniTraj模型，克服了人类轨迹建模的局限性，具备任务适应性和地区独立性。通过WorldTrace数据集，该模型在多样化任务中表现出色，展示了其在轨迹分析中的潜力。

本文提出了多种轨迹建模方法，包括基于元路径的特征提取、分层时空注意力神经网络（AttnTUL）、空间-时间联合表示学习（ST-GraphRL）和多视角建模方法（MVTraj），显著提升了轨迹预测和分类性能，尤其在复杂城市环境中表现优越。