인간 경로 예측은 도로상의 보행자의 미래 위치를 예측하는 실용적인 과제로, 일반적으로 경로 내 단기적에서 장기적까지 모든 시간 범위를 포함한다. 그러나 기존의 연구들은 단일하고 일관된 학습 프레임워크를 사용하여 전체 경로 예측 문제에 접근하며, 인간 경로의 단기적 동역학과 장기적 동역학 간의 차이를 간과하고 있다. 이러한 한계를 극복하기 위해, 본 연구는 최종 전체 경로 예측을 위한 단기적 동역학과 장기적 의존성의 포착 능력을 점진적으로 향상시키는 새로운 프로그레시브 프리텍스트 태스크 학습(PPT) 프레임워크를 제안한다. 구체적으로 PPT 프레임워크 내에서 세 단계의 학습 태스크를 세심하게 설계하였다. 첫 번째 단계에서는 모델이 단계적 다음 위치 예측 태스크를 통해 단기적 동역학을 이해하도록 학습한다. 두 번째 단계에서는 목적지 예측 태스크를 통해 모델이 장기적 의존성을 보다 효과적으로 이해하도록 강화한다. 마지막 단계에서는 이전 단계에서 습득한 지식을 최대한 활용하여 전체 미래 경로 예측 태스크를 해결하도록 모델을 학습한다. 지식 소실 문제를 완화하기 위해, 교차 태스크 지식 증류(cross-task knowledge distillation) 기법을 추가로 적용하였다. 또한 목적지 주도 예측 전략과 학습 가능한 프롬프트 임베딩 그룹을 통합하여, 두 단계의 효율적인 추론을 가능하게 하는 Transformer 기반의 경로 예측기(trajectory predictor)를 설계하였다. 다양한 인기 있는 벤치마크에서 실시한 광범위한 실험 결과는 제안하는 방법이 높은 효율성과 함께 최신 기술 수준(SOTA)의 성능을 달성함을 입증하였다. 코드는 https://github.com/iSEE-Laboratory/PPT 에서 제공된다.