궤적 예측은 여러 분야에서 광범위하게 연구되어 왔으며, 모델 기반 및 모델 자유형 방법이 많이 탐구되어 왔다. 모델 기반 방법은 규칙 기반, 기하학적 또는 최적화 기반 모델을 포함하고, 모델 자유형 방법은 주로 딥러닝 기반 접근법으로 구성된다. 본 논문에서는 새로운 신경 미분 방정식(Neural Differential Equation) 모델을 기반으로 두 가지 접근법을 통합한 새로운 방법을 제안한다. 제안하는 새로운 모델(신경 사회 물리학, Neural Social Physics, NSP)은 학습 가능한 파라미터를 갖는 명시적 물리 모델을 포함하는 딥 뉴럴 네트워크이다. 명시적 물리 모델은 보행자의 행동을 모델링하는 데 강력한 사전 지식(인덕티브 바이어스)을 제공하며, 네트워크의 나머지 부분은 시스템 파라미터 추정 및 역학적 확률성 모델링 측면에서 뛰어난 데이터 적합 능력을 제공한다. 우리는 NSP를 6개의 데이터셋에서 최근 15개의 딥러닝 방법과 비교하여 최신 기술 성능을 5.56%에서 70%까지 향상시켰다. 또한, 테스트 데이터보다 밀도가 2~5배 높은 극단적인 상황에서도 NSP가 더 우수한 일반화 능력을 보임을 보였다. 마지막으로, NSP 내부의 물리 모델은 블랙박스 딥러닝과 달리 보행자 행동에 대해 타당한 해석을 제공할 수 있음을 입증하였다. 코드는 다음 링크에서 공개되어 있다: https://github.com/realcrane/Human-Trajectory-Prediction-via-Neural-Social-Physics.