路口不再靠猜：先预演一段未来路线再选转向，波尔图距离分布JSD降到1.01

路网轨迹生成的重心从模拟二维位置转向在路网上做行为建模，也就是把每一步当作一次路口转向决策。 此前的扩散类生成方法把轨迹当作整条二维位置序列去噪合成，往往忽略路口的下一个转向选择，容易生成偏离路网的轨迹。 在波尔图、北京和旧金山三个数据集上，使用同一套HOSER路网与划分、匹配的起讫点条件、重复次数和生成预算，该模型的两个变体中，使用马尔可夫历史的变体在波尔图取得最低的距离分布JSD 1.01，使用完整历史的变体为1.53，均低于HOSER的1.57；在北京和旧金山，使用完整历史的变体分别为1.68和1.39，低于HOSER的2.04和1.82。

模型在每一步先预测一段有限长度的未来路线，再用这段预演给当前所有合法转向打分。 传统逐步生成器只对下一个状态的条件分布建模，未来信息没有被显式表示成能影响当前决策的上下文。 预演由未来解码器给出，转向网络只在拓扑合法的候选上归一化，终止事件STOP仅在目的地可选；消融显示去掉候选条件下的续演损失后，波尔图距离分布JSD从1.53升到2.55。

每执行一次移动，模型就用更新后的历史重新预演，而不是把预演一次性执行到底。 开环执行一段预测路线会让后续步骤失去对实际走向的修正机会。 生成时每一步都从已实现历史重建固定长度的未来窗口，只有被选中的那一步被真正执行；在旧金山，使用马尔可夫历史的变体到达目的地的比例为94.98%，成功选择STOP的比例为94.92%。

报告覆盖的是在波尔图、北京和旧金山三个城市、使用公开HOSER路网与官方划分的起讫点条件生成任务，评测采用匹配的测试条件、重复次数与生成预算，指标为距离与半径JSD、豪斯多夫距离和EDR。适合关注路网轨迹生成、图约束序列决策与城市移动性建模的研究人员和工程师阅读。原文没有提出下一步实验计划。

预演窗口只限制显式表示的未来长度，不限制生成轨迹的总长度；候选条件下的续演预测在训练时对未执行候选没有真实反事实续演，只能与同一段观测后缀比较。旧金山马尔可夫历史变体的距离分布JSD为2.68，高于全历史变体的1.39，说明历史长度的影响随城市不同。生成还受最大转移预算约束，预算耗尽记为超时而非模型选择的终止。