لتحقيق توقع المسار، اعتمد معظم الطرق السابقة على النهج القائم على المعاملات، والذي يُشفِّر جميع أزواج المواقف الماضية-المستقبلية المرئية داخل معاملات النموذج. ومع ذلك، فإن هذا الأسلوب يؤدي إلى أن تنشأ معاملات النموذج من جميع المواقف المرئية، مما يعني أن كمية كبيرة من المواقف المرئية غير ذات صلة قد تُضمَّن أيضًا في توقع الحالة الحالية، مما يُربك الأداء. ولتوفير ارتباط أكثر وضوحًا بين الحالة الحالية والمواقف المرئية، نُقلِّد آلية الذاكرة الاسترجاعية في علم الأعصاب النفسي، ونُقدِّم مُعمَّل MemoNet، وهو نهج مبني على الأمثلة، يتوقع نوايا الحركة للعوامل من خلال البحث عن سيناريوهات مشابهة في بيانات التدريب. في MemoNet، نصمم زوجًا من مخازن الذاكرة لتخزين صريحة للمواقف الممثلة في مجموعة التدريب، تؤدي دور القشرة المُقدَّمة في النظام العصبي، ونُصمم مُحددًا قابلاً للتدريب لاستكشاف الحالة الحالية بشكل تكيّفي بحثًا عن مواقف مشابهة في مخزن الذاكرة، يُشبه وظيفة الغِبَاط الأساسية. أثناء التوقع، يسترجع MemoNet ذاكرته السابقة باستخدام محدد الذاكرة لاستدعاء المواقف ذات الصلة في مخزن الذاكرة. كما نقترح نظام توقع مسار مكون من خطوتين، حيث تتمثل الخطوة الأولى في الاستفادة من MemoNet لتوقع الوجهة، والخطوة الثانية في إكمال المسار الكامل وفقًا للوجهات المُتوقعة. أظهرت التجارب أن MemoNet المُقترح يُحسِّن معيار FDE بنسبة 20.3٪ / 10.2٪ / 28.3٪ مقارنةً بأفضل طريقة سابقة على مجموعات بيانات SDD / ETH-UCY / NBA. كما أظهرت التجارب أن MemoNet يتمتع بقدرة على الرجوع إلى أمثلة محددة أثناء التوقع، مما يعزز من قابلية التفسير.