| 分类 | 方法类别 | 参考文献 | 优点 | 缺点 | | 数据驱动 | 卡尔曼滤波 | [5-10] | 线性，无偏，精度较高 | 依赖原始数据质量，无法长时预测 | | 差分自回归移动平均 | [11-16] | 模型简单，应用广泛 | 需要大量数据，精度较低 | | 隐马尔可夫 | [17-20] | 对过程的状态预测效果良好 | 鲁棒性较差，参数设置复杂 | | 高斯混合模型 | [21-27] | 短轨迹预测精度较高 | 易受数据复杂度影响，实用性低 | | 贝叶斯网络 | [28-31] | 高效，易于训练 | 易受先验概率、输入变量影响 | | 神经网络 | [32-36] | 自适应能力强 | 收敛速度慢，存在局部极小化问题 | | 深度学习 | [13,15,37-50] | 准确率高，实时性强 | 模型训练时间较长，可解释性较差 | | 混合模型 | [40,48,51-54] | 精度高，泛化能力强 | 训练时间较长，易过拟合 | | 行为驱动 | 动力学模型 | [37,55-61] | 可解释性强，精度较高 | 依赖理想的环境和状态假设 | | 意图识别 | [13,62-67] | 实时性强，方法新颖 | 仅限意图明确的特定场景 |
|