إن أحدث النجاحات في توقع حركة الأشخاص تعتمد بشكل رئيسي على نماذج LSTM، وقد تم تحقيق معظم التقدم الأخير من خلال نمذجة التفاعل الاجتماعي بين الأشخاص والتفاعل بين الأشخاص والبيئة المحيطة. ونُشكّك في استخدام نماذج LSTM، ونُقدّم استخدامًا جديدًا لشبكات Transformer في توقع المسارات. ويُعد هذا تحوّلًا جوهريًا من المعالجة التسلسلية الخطوة بخطوة التي تتم في نماذج LSTM إلى آليات الذاكرة القائمة فقط على الانتباه التي تُميّز شبكات Transformer. وبشكل خاص، نأخذ بعين الاعتبار كلًا من الشبكة الأصلية لـ Transformer (TF) والشبكة ثنائية الاتجاه الأكبر (BERT)، التي تُعدّ الأفضل في جميع مهام معالجة اللغة الطبيعية. وتنبّئ الشبكات المقترحة التي نقترحها بمسارات الأشخاص الأفراد داخل المشهد. وتشتهر هذه النماذج ببساطتها، حيث يتم نمذجة كل شخص بشكل منفصل دون الحاجة إلى أي مصطلحات معقدة للتفاعل بين البشر أو التفاعل مع البيئة. وبشكل خاص، تُحقّق نموذج TF، دون أي إضافات تقنية، أفضل نتيجة على أكبر وأصعب معيار لتنبؤ المسارات، وهو معيار TrajNet. كما أن امتداد هذا النموذج الذي يتنبأ بعدة مسارات مستقبلية محتملة يُنافس التقنيات الأكثر تطورًا على 5 مجموعات بيانات من ETH + UCY. وأخيرًا، نُظهر أن شبكات Transformer قادرة على التعامل مع الملاحظات المفقودة، وهو ما قد يحدث فعلاً في بيانات المستشعرات الحقيقية. يُمكن الوصول إلى الكود من خلال الرابط: https://github.com/FGiuliari/Trajectory-Transformer.