إن توقع مسار الإنسان هو مهمة عملية تتمثل في التنبؤ بالمواقع المستقبلية للمشاة على الطرق، وعادةً ما يغطي هذا التنبؤ جميع النطاقات الزمنية من القصيرة إلى الطويلة ضمن مسار واحد. ومع ذلك، تسعى الدراسات الحالية إلى معالجة توقع المسار بالكامل باستخدام نموذج تدريبي موحد واحد، مما يتجاهل الفرق بين الديناميكيات القصيرة والطويلة الأمد في مسارات البشر. لتجاوز هذه القيود، نقدم إطارًا جديدًا يُسمى التعلم التدريجي المسبق للمهام (PPT)، والذي يُعزز تدريجيًا قدرة النموذج على التقاط الديناميكيات القصيرة والاعتماديات الطويلة الأمد من أجل توقع المسار الكامل في النهاية. بشكل مفصل، قمنا بتصميم ثلاث مراحل تدريبية دقيقًا ضمن إطار PPT. في المرحلة الأولى، يتعلم النموذج فهم الديناميكيات القصيرة من خلال مهمة تنبؤ بالمكان التالي خطوة بخطوة. وفي المرحلة الثانية، يتم تعزيز النموذج أكثر لفهم الاعتماديات الطويلة الأمد من خلال مهمة تنبؤ بالوجهة النهائية. وفي المرحلة النهائية، يهدف النموذج إلى معالجة مهمة توقع المسار الكامل مستفيدًا بالكامل من المعرفة المكتسبة في المراحل السابقة. ولتقليل مشكلة نسيان المعرفة، نطبق تقنية تبادل المعرفة بين المهام (Cross-task Knowledge Distillation). بالإضافة إلى ذلك، صممنا مُتوقعًا لمسار يستند إلى معمارية Transformer، يتميز بكفاءة عالية في التفكير خطوتين من خلال دمج استراتيجية تنبؤ موجهة بالوجهة مع مجموعة من التضمينات القابلة للتعلم. أظهرت التجارب الواسعة على معايير شهيرة أداءً متميزًا على مستوى الحد الأقصى مع كفاءة عالية. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/iSEE-Laboratory/PPT.