TrackGPT——用于跨域实体轨迹预测的生成式预训练Transformer

预测实体在未来时间点的轨迹是商业和国防领域应用中一个关键的能力缺口。Transformer，特别是生成式预训练Transformer（GPT）网络，最近彻底改变了人工智能的多个领域，最显著的是随着OpenAI的ChatGPT等大语言模型（LLM）的出现而变革的自然语言处理（NLP）。在本研究论文中，我们介绍了TrackGPT，一个基于GPT的实体轨迹预测模型，该模型已在海事和航空领域展现出实用性，并有望在其他领域表现良好。TrackGPT作为一个开创性的GPT模型，能够跨多样化的实体时间序列数据集生成准确预测，展示了其在生成具有持续准确性的长期预测和高精度的短期预测方面的能力。我们提供了与最先进深度学习技术的基准对比，表明TrackGPT的预测能力在准确性、可靠性和模块化方面均表现出色。重要的是，TrackGPT在实现这些结果的同时，保持了领域无关性，并且与性能相似的模型相比，所需的数据特征极少（仅位置和时间）。总之，我们的发现强调了将GPT架构应用于实体轨迹预测任务的巨大潜力，创新的TrackGPT模型即为明证。