El seguimiento de múltiples objetos (MOT) tiene como objetivo estimar las ubicaciones e identidades de objetos en videos. Muchos sistemas modernos de seguimiento de múltiples objetos siguen el paradigma de seguimiento por detección, que consiste en un detector seguido de un método para asociar detecciones en pistas. El seguimiento mediante la asociación de detecciones a través de heurísticas de similitud basadas en el movimiento es la forma básica. Los modelos de movimiento tienen como objetivo utilizar la información de movimiento para estimar ubicaciones futuras, desempeñando un papel importante en mejorar el rendimiento de la asociación. Recientemente se propuso un conjunto de datos a gran escala, DanceTrack, donde los objetos tienen una apariencia uniforme y diversos patrones de movimiento. Con los modelos de movimiento predefinidos existentes, es difícil lograr resultados decentes en DanceTrack debido a la falta de conocimiento previo. En este trabajo, presentamos un algoritmo basado en el movimiento llamado TLtrack, que adopta una estrategia híbrida para hacer estimaciones de movimiento basadas en puntuaciones de confianza. Para detecciones con puntuaciones de confianza alta, TLtrack emplea transformadores para predecir sus ubicaciones. Para detecciones con puntuaciones de confianza baja, se utiliza un modelo lineal simple que estima ubicaciones a través de información histórica de trayectorias. TLtrack no solo puede considerar la información histórica de la trayectoria, sino también analizar los movimientos más recientes. Nuestros resultados experimentales en el conjunto de datos DanceTrack muestran que nuestro método logra el mejor rendimiento en comparación con otros modelos de movimiento.