ETH-UCY数据集由五个子集组成：ETH、HOTEL、UNIV、ZARA1和ZARA2。实验采用了留一法进行评估，即每次在四个子集上训练，在剩下的一个子集上测试。这种方法可以全面评估模型在不同场景下的泛化能力。而SDD数据集则包含了从斯坦福大学校园收集的超过10，000条轨迹，数据量比ETH-UCY大得多，更好地测试了模型处理大规模数据的能力。 在所有实验中，系统观察行人的历史轨迹8个时间步，预测未来12个时间步的轨迹。评估使用了两个标准指标：平均位移误差（ADE）和最终位移误差（FDE）。ADE测量预测轨迹与真实轨迹所有点的平均距离，而FDE则关注最终点的距离。这两个指标共同评估了预测的整体准确性和最终目标的准确性。 在ETH-UCY数据集上，SICNet的表现令人印象深刻。它的平均ADE为0.19，FDE为0.33，超过了所有对比方法。特别是与之前最好的方法MemoNet相比，SICNet在ADE上取得了显著改进，从0.21降至0.19。在各个子集上，SICNet都展现出了稳定的性能，特别是在复杂的ETH子集上，它将ADE从0.40降至0.27，FDE从0.61降至0.45，改进幅度高达32.5%和26.2%。 在SDD数据集上，SICNet也取得了竞争性能。它的ADE为8.44，是所有方法中最低的，而FDE为13.65，虽然略高于MemoNet的12.66，但仍明显优于其他方法。SICNet在ADE上的出色表现证明了稀疏实例在捕捉整体轨迹特征方面的优势，而FDE的表现也说明稀疏实例对最终目标的预测同样有效。 为了进一步验证SICNet的适应性和有效性，研究团队还进行了一系列消融实验。在不同best-of-K预测的实验中，SICNet在K=5、10、15时都超过了对比方法，显示了它在生成少量高质量预测方面的优势。更有趣的是，通过消融研究评估了SICNet各组件的贡献。基线模型（不使用稀疏实例、记忆精炼和聚类）的ADE为0.46，FDE为0.94。加入稀疏实例表示后，性能显著提升，ADE降至0.25，FDE降至0.50。进一步添加记忆精炼模块，ADE降至0.22，FDE降至0.39。最后引入聚类机制，模型达到最佳性能：ADE为0.19，FDE为0.33。这些结果清晰地展示了每个组件对模型整体性能的贡献。 在掩码阈值分析中，研究发现=0.2时模型性能最佳。当=0时，掩码失效，保留了整个实例，导致随机性损失；当=1时，整个实例被掩盖，没有指导信息用于多模态预测。这说明适当的掩码阈值对于平衡确定性和随机性至关重要。 对稀疏实例的分析也很有说服力。当用目标或实例替换稀疏实例时，性能显著下降，证明了稀疏实例相比目标条件和实例条件方法的优越性。目标条件方法的ADE为0.24，FDE为0.43；实例条件方法的ADE为0.23，FDE为0.38；而稀疏实例方法的ADE为0.19，FDE为0.33，表现最佳。 可视化结果更直观地展示了SICNet的优势。与目标条件方法PECNet相比，SICNet不仅能预测接近真实的终点，还能生成更准确的中间轨迹。与实例条件方法PCCSNet相比，SICNet的预测轨迹更接近真实轨迹，显示了它在处理复杂多模态预测任务上的优越性。