End-to-End-Ansätze für Bewegungsvorhersage werden mit konventionellen Methoden verglichen, um die Leistungsfähigkeit in realen Szenarien zu bewerten.
Durch den Einsatz großer Sprachmodelle (LLMs) kann das Verständnis des globalen Verkehrskontexts für Bewegungsvorhersageaufgaben verbessert werden, was die Genauigkeit der Vorhersagen erhöht.