경로 예측을 실현하기 위해 대부분의 기존 방법들은 매개변수 기반 접근 방식을 채택하며, 이는 과거-미래 인스턴스 쌍 전체를 모델 매개변수에 인코딩하는 방식이다. 그러나 이러한 방식은 모델 매개변수가 모든 관측된 인스턴스로부터 유도되므로, 현재 상황을 예측하는 데 있어 관련성이 없는 수많은 관측 인스턴스들이 포함되어 성능을 저하시킬 수 있다. 현재 상황과 관측된 인스턴스 간의 보다 명시적인 연결을 제공하기 위해, 신경정신과학에서의 회상 기억(remembering memory) 메커니즘을 모방하여, 훈련 데이터 내에서 유사한 시나리오를 탐색함으로써 에이전트의 이동 의도를 예측하는 인스턴스 기반 접근법인 MemoNet을 제안한다. MemoNet에서는 훈련 데이터의 대표적 인스턴스를 명시적으로 저장하는 두 개의 메모리 백(Memory Bank)을 설계하였으며, 이는 신경계 내 전두엽 피질(prefrontal cortex)과 유사한 역할을 수행한다. 또한 현재 상황과 유사한 인스턴스를 적응적으로 탐색하기 위한 학습 가능한 메모리 주소기(Memory Addresser)를 도입하여, 기저 구조(basal ganglia)와 유사한 기능을 수행하게 한다. 예측 과정에서 MemoNet은 메모리 주소기를 활용하여 메모리 백 내에서 관련된 인스턴스를 인덱싱함으로써 이전의 기억을 회상한다. 더불어, 두 단계로 구성된 경로 예측 시스템을 제안한다. 첫 번째 단계에서는 MemoNet을 활용하여 목적지를 예측하고, 두 번째 단계에서는 예측된 목적지를 기반으로 전체 경로를 완성한다. 실험 결과, 제안된 MemoNet은 SDD/ETH-UCY/NBA 데이터셋에서 기존 최고 성능 방법 대비 FDE(Final Displacement Error)를 각각 20.3%, 10.2%, 28.3% 개선함을 확인하였다. 또한 실험을 통해 MemoNet이 예측 과정에서 특정 인스턴스로 거슬러 올라갈 수 있는 능력을 보유하고 있음을 입증하며, 해석 가능성(Interpretability)을 향상시킨다는 점을 확인하였다.