تم التوجه على نطاق واسع نحو توقع المسارات في العديد من المجالات، وقد تم استكشاف طرق عديدة قائمة على النماذج وطرق لا تعتمد على النماذج. تشمل الطرق القائمة على النماذج النماذج القائمة على القواعد، أو النماذج الهندسية، أو النماذج القائمة على التحسين، في حين تتكون الطرق غير القائمة على النماذج بشكل رئيسي من مناهج التعلم العميق. في هذا البحث، نقترح طريقة جديدة تدمج بين هاتين المنهجيتين، معتمدة على نموذج معادلة تفاضلية عصبية جديدة. يُعد نموذجنا الجديد (الفيزياء الاجتماعية العصبية أو NSP) شبكة عصبية عميقة، حيث نستخدم نموذجًا فيزيائيًا صريحًا يحتوي على معلمات قابلة للتعلم. يعمل النموذج الفيزيائي الصريح كانحياز استنتاجي قوي في نمذجة سلوك المشاة، بينما توفر باقي الشبكة القدرة القوية على مطابقة البيانات من حيث تقدير معاملات النظام ونمذجة العشوائية الديناميكية. قارنا NSP مع 15 من الطرق الحديثة القائمة على التعلم العميق على 6 مجموعات بيانات، وحققنا تحسنًا في الأداء مقارنة بأفضل النماذج الحالية بنسبة تتراوح بين 5.56% و70%. علاوةً على ذلك، أظهرنا أن NSP يتمتع بقدرة تعميم أفضل في توقع مسارات واقعية في سيناريوهات مختلفة جدًا، حيث تكون الكثافة أعلى من 2 إلى 5 أضعاف كثافة بيانات الاختبار. وأخيرًا، أظهرنا أن النموذج الفيزيائي داخل NSP يمكنه تقديم تفسيرات واقعية لسلوكيات المشاة، على عكس النماذج القائمة على التعلم العميق التي تُعتبر "صندوقًا أسودًا". يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics.