人类移动与交通、传染病、安全等密切相关，使得轨迹分析与建模成为持续的研究热点。目前，学界与业界已发展了大量以机器学习/深度学习为主流的轨迹专门模型，如轨迹插值模型、轨迹预测模型、轨迹分类模型等。

然而，这些模型大多针对专门任务设计、基于局部区域数据训练，难以泛化应用于其他任务、其他区域乃至其他类型的轨迹。随着生成式人工智能发展，构建轨迹基础模型，使其学习到大规模轨迹数据的通用特征，以适用于不同区域与多种下游任务，成为轨迹建模的迫切需求。

本研究系统综述了从轨迹专门模型到轨迹基础模型的研究进展。各类轨迹专门模型大多针对特定任务、局部地区和单一数据，遵循"简单直观模型-常规机器学习-深度神经网络"的发展脉络，发展相对充分。

近年来逐渐提出一些强调通用性和泛化能力的轨迹基础模型研究，但仍然存在挑战：面向常规任务的轨迹基础模型需要进一步强化空间泛化与数据泛化能力；面向生成任务的轨迹基础模型需要攻克空间泛化难题，实现"从无到有"的大规模轨迹生成。

未来研究应着重于多样化轨迹训练集构建、通用位置表征方法、机理-数据双驱动模型，以及多模态地理基础模型和应用导向轨迹基础模型的发展。