在论文《Scene-LSTM: A Model for Human Trajectory Prediction》中，研究者开发出一种人体运动轨迹预测系统，该系统可以在静态拥挤场景内的预测过程中结合场景信息（Scene-LSTM）和人体运动轨迹（行人运动LSTM）。研究者添加了一个两层网架结构（场景被划分为由scene-LSTM建模的网格单元，而这些网格单元又进一步划分为细空间粒度的更小子网格），探索网格单元中出现的常见人体轨迹（如从小巷中走出来左转或右转至人行道；或在公交 / 火车站站着不动）。双耦合的LSTM网络、行人运动LSTM（每一目标）以及相应的Scene-LSTM（每一网格单元）同时进行训练，以预测接下来的运动。研究者证明此类常见的路径信息大大影响未来运动的预测，并进一步设计了一个场景数据滤波器，其可以保存重要的非线性运动信息。场景数据滤波器可以从网格单元内存中选择与目标状态相关的部分信息。针对来自于UCY和ETH数据集上的5个拥挤视频序列，研究者对其两个版本的方法进行评估，并与线性和现有几种基于LSTM的方法进行比较。结果显示，与相关方法相比，该论文提出的方法降低了位置位移误差，特别是相对于社会性交互方法，误差率降低了约80%。