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。

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％。