本研究提出了一种基于变压器的道路网络增强轨迹恢复框架（RNTrajRec），通过学习道路段嵌入特征和时空特征，优化轨迹恢复性能。实验结果表明，该方法在多个真实数据集上优于现有技术，具有更高的效率和准确性。

该文汇总多项GPS轨迹研究，涵盖基于Transformer的RNTrajRec轨迹恢复框架（结合GridGNN与GPSFormer学习道路段及时空特征）、基于CRF的地图匹配、LSTM自编码器轨迹压缩重构、利用出租车数据测量交通弹性、DBSCAN聚类停留点以提升地图匹配效率、扩散模型Diff-Traj轨迹生成、自监督地理位置表示学习、从GPS轨迹自动生成地图、航拍图像道路交叉口匹配定位，以及高斯过程回归三步去噪实现厘米级定位。

本文介绍了MGCAT模型，用于提高复杂轨迹的恢复能力。该模型通过定义轨迹复杂度和构建复杂感知语义图来编码轨迹的语义信息，并在轨迹预训练中自适应地聚合多视图图特征和对关键节点进行更高的关注。实验结果表明，MGCAT在处理复杂轨迹时具有感知性能，能够提供更好的轨迹恢复表示，整体F1得分提高了5.22％，对于复杂轨迹特别是F1得分提高了8.16％。