安顺市网站建设,旅游网站推荐排行榜,免费网站建设设计制作公司,企业官方网站建设的流程2025 GeoInformatica
1 intro
轨迹数据通常包含用户的敏感个人信息#xff0c;直接使用这些数据存在严重的隐私风险 为应对这些挑战#xff0c;轨迹生成#xff08;Trajectory Generation#xff09;技术通过学习或建模真实轨迹的移动模式#xff0c;生成大量合成轨迹合…2025 GeoInformatica
1 intro
轨迹数据通常包含用户的敏感个人信息直接使用这些数据存在严重的隐私风险 为应对这些挑战轨迹生成Trajectory Generation技术通过学习或建模真实轨迹的移动模式生成大量合成轨迹合成轨迹可以填补数据稀缺区域或时间段的空白缓解数据稀疏问题此外若在轨迹生成过程中结合隐私保护技术还可以有效降低用户隐私泄露风险 轨迹生成的目标是在给定环境约束下生成既具备真实人类出行模式又在统计特性上与真实轨迹高度相似的合成数据论文对轨迹生成研究进行了系统且深入的分析
2 预备知识
3.1 轨迹数据
轨迹由一系列具有丰富属性的轨迹点组成包含时间、空间和文本属性 时间属性通常用时间戳或时间范围表示空间属性一般通过纬度和经度表示实体在物理空间中的位置文本属性指的是轨迹点的语义或上下文信息常包含兴趣点POI信息 在空间表示方面轨迹数据可以分为自由空间free space与道路空间road space两种 在自由空间中轨迹点之间的距离通常使用欧几里得距离计算在道路空间中通常用有向图 G(V,E,W)表示路网其中 V 表示道路端点E 表示道路边W表示边的权重 在道路空间中轨迹点间的距离不是直线距离而是通过一系列边的权重累加得出的道路距离
3.2 轨迹生成
3.2.1 问题定义 3.2.2 评估指标
合成轨迹的评估指标包括宏观指标和微观指标。 在宏观层面主要评估合成轨迹的整体分布 在微观层面主要评估生成轨迹与真实轨迹之间的相似性。
3.2.2.1 宏观层面 宏观指标从移动模式的角度评估合成轨迹涵盖以下几类 轨迹范围Trajectory range指每个轨迹点与轨迹中心点之间的距离。在部分研究中称为回转半径radius of gyration用于反映人类移动范围的广度。 移动距离Movement distance指轨迹上相邻轨迹点之间的距离一定程度上反映了一段时间内的出行距离。 位置排名Location ranking基于每个位置的访问频率进行排名包含个体层面与群体层面的排名。个体排名关注个人偏好群体排名则反映了在整体人群中位置的热门程度。 起终点流量Origin-Destination flowOD 矩阵反映了不同位置之间的流动情况具体表征从起点到终点之间的流量。 停留时间Staying time指在每个位置的停留时长是一个时间维度上的指标能够反映代理体agent的活动状态。 在实现层面Jensen-Shannon (JS) 散度 和 Kullback-Leibler (KL) 散度 通常用于衡量合成轨迹与真实数据在上述五个维度上的分布差异。 3.2.2.2 微观指标 微观指标关注轨迹之间的相似性或差异性通常通过精确匹配或轨迹对比方式实现 主要用于细粒度的轨迹比对——轨迹相似度 非学习相似度测量方法 动态时间规整距离DTW 编辑距离类方法 LCSSLongest Common Subsequence最长公共子序列 EDREdit Distance on Real Sequence ERPEdit Distance with Real Penalty EDwPEdit Distance with Warping Penalty Hausdorff 距离 与 离散 Fréchet 距离DFD 基于深度学习的方法 T2Vec、ST2Vec。。。
4 基于模型的轨迹生成方法
4.1 方法概述
基于模型的方法是在一个核心假设下进行轨迹生成即移动轨迹服从预定义的规则或模型这类方法通常利用概率模型如马尔可夫过程建模轨迹的状态转移或直接采用预设的行为规则来模拟轨迹的运动方式。这些方法通常不依赖大量训练数据 根据生成轨迹时所使用的规则或模型的不同基于模型的方法可以分为三类 基于行为规则的方法依据人类移动模式生成移动轨迹考虑时间、空间与社会因素 基于交通仿真的方法通过物理规则与交通流模型生成车辆轨迹通常依赖交通仿真软件模拟整个交通系统 基于概率模型的方法利用概率模型捕捉轨迹的状态转移与变化适用于复杂或不确定的移动行为。 4.2 基于行为规则的方法
4.2.1 人类移动行为的若干特征
规律性与可预测性 人类移动行为在时间和空间上都表现出高度规律性 Gonzalez MC, Hidalgo CA, Barabasi A-L (2008) Understanding individual human mobility patterns. Nature 453(7196):779–782人们有较高概率返回熟悉的地点即常访问的地点并且这种行为是可预测的Song C, Qu Z, Blumm N, Barabási A-L (2010) Limits of predictability in human mobility. Science 327(5968):1018–1021 尺度特征与幂律分布 人类的移动距离与停留时间符合幂律分布BrockmannD, HufnagelL, GeiselT(2006) The scaling laws of human travel.Nature439(7075):462–465 短距离移动和短时间停留更常见而长距离或长时间行为虽然较少但依然有一定概率发生 社会因素影响 个体的活动空间与其社交圈大小呈显著正相关Alessandretti L, Sapiezynski P, Sekara V, Lehmann S, Baronchelli A (2018) Evidence for a conserved quantity in human mobility. Nat Hum Behav 2(7):485–491人类的移动行为还受生活习惯和行政区域划分的影响并且社交网络距离更近的用户之间其移动模式更为相似 Toole JL, Herrera-Yaqüe C, Schneider CM, González MC (2015) Coupling human mobility and social ties. J R Soc Interface 12(105):20141128 探索与回归机制 个体具有探索新位置的概率但这种探索倾向会随时间下降。与此同时个体展现出强烈的回访已访问地点的倾向Song C, Koren T, Wang P, Barabási A-L (2010) Modelling the scaling properties of human mobility. Nat Phys 6(10):818–823虽然用户不断探索新地点但其活动集中的位置数量保持稳定Alessandretti L, Sapiezynski P, Sekara V, Lehmann S, Baronchelli A (2018) Evidence for a conserved quantity in human mobility. Nat Hum Behav 2(7):485–491
4.2.2 轨迹生成模型 SLAW 模型 Lee K, Hong S, Kim SJ, Rhee I, Chong S (2009) SLAW: a new mobility model for human walks. In: INFOCOM. pp 855–863 模拟“最小动作原理”即人们倾向于访问附近的目的地在二维空间中生成一组位置位置之间的距离遵循幂律分布停留时间则服从截断幂律分布 SWIM 模型 Mei A, Stefa J (2009) SWIM: a simple model to generate small mobile worlds. In: INFOCOM. pp 2106–2113 模拟社会行为对移动决策的影响个体根据位置的“权重”选择目标点。权重随位置的受欢迎程度上升随与“家”距离的增加而下降 SIMPS 模型 Borrel V, Legendre F, Amorim MD, Fdida S (2009) SIMPS: using sociology for personal mobility. IEEE/ACM Trans Netw 17(3):831–842 基于社会学理论建模移动行为定义了“社交”与“孤立”两类社会行为并通过社交图表达个体之间的关系生成的轨迹在接触时长分布上呈幂律 EPR 模型 Song C, Koren T, Wang P, Barabási A-L (2010) Modelling the scaling properties of human mobility. Nat Phys 6(10):818–823 引入了“探索”与“偏好回归”机制个体既可能探索新位置也倾向于回访熟悉位置且回归行为具备优先级 d-EPR Pappalardo L, Simini F, Rinzivillo S, Pedreschi D, Giannotti F, Barabási A-L (2015) Returners and explorers dichotomy in human mobility. Nat Commun 6(1):8166 引入重力模型根据当前位置与目的地之间的距离及位置重要性选择目标点更真实地模拟了个体行为。 Geosim 模型 Toole JL, Herrera-Yaqüe C, Schneider CM, González MC (2015) Coupling human mobility and social ties. J R Soc Interface 12(105):20141128 将社会因素引入 EPR 模型使得个体行为同时受自身与社交圈影响
4.3 基于交通仿真的方法
基于交通仿真的轨迹生成方法通过使用交通流模型与仿真工具对交通网络中的车辆行为进行建模从而生成符合真实交通系统规律的轨迹。这类方法主要关注交通规则与环境因素的影响。通过模拟交通流、信号控制、变道行为等交通现象 VISSIM Fellendorf M (1994) Vissim: a microscopic simulation tool to evaluate actuated signal control including bus priority. In: 64th institute of transportation engineers annual meeting. pp 1– 基于微观交通流模型的交通仿真软件能够模拟单车道与多车道的交通场景信号控制模型负责模拟交通信号灯控制 交通流模型用于模拟车辆行为如加速、减速与变道行为。其中包括 跟驰模型Following Model模拟前车速度较慢时的跟车过程 变道模型Lane Changing Model模拟当存在空车道时的超车行为。 VISSIM 通过信号控制模型调度红绿灯再由交通流模型驱动车辆行为从纵向与横向两个方向模拟车辆在车道上的运动。 SUMO Krajzewicz D, Hertkorn G, Rössel C, Wagner P (2002) Sumo (simulation of urban mobility)-an open source traffic simulation. In: Proceedings of the 4th Middle East Symposium on Simulation and Modelling (MESM20002). pp 183–187 基于路网环境、交通需求与 OD起终点矩阵等交通数据模拟交通状况 TRANSIMS NagelK,RickertM(2001)Parallelimplementation oftheTRANSIMSmicro-simulation.Parallel Com put 27(12):1611–1639 分布式的微观交通仿真平台采用图划分技术将整个模拟区域划分为多个子区域 各子区域之间的连接尽可能少以降低耦合 每个区域大小大致相同实现负载均衡 借助并行计算提高仿真速度 在微观层面TRANSIMS 使用跟驰模型、变道模型与转弯模型来模拟具体驾驶行为。 ParamGrid Klefstad R, Zhang Y, Lai M, Jayakrishnan R, Lavanya R (2005) A distributed, scalable, and synchro nized framework for large-scale microscopic traffic simulation. In: Proceedings. 2005 IEEE intelligent transportation systems, 2005. pp 813–818 同样是一款基于分布式架构的微观交通仿真软件 使用微观仿真工具对每辆车进行个体级别模拟 采用并行计算与分布式架构以提升模拟效率 通过图划分技术将区域划分为多个子区域 引入全局路径规划技术解决跨区域车辆的轨迹生成问题。 4.4 基于概率模型的方法
基于概率模型的轨迹生成方法通过历史轨迹数据的统计模式来生成移动轨迹 通过分析历史轨迹推断出位置之间的转移概率分布从而估计个体在未来时刻或位置出现的概率侧重于从统计学视角建模轨迹生成过程而不是依赖于具体的行为假设或交通规则
基于概率模型的轨迹生成方法通常采用 马尔可夫模型Markov Model包括 隐马尔可夫模型HMM Mathew W, Raposo R, Martins B (2012) Predicting future locations with hidden markov models. In: Ubicomp. pp 911–918 Bindschaedler V, Shokri R (2016) Synthesizing plausible privacy-preserving location traces. In: IEEE symposium on security and privacy. pp 546–563 输入输出隐马尔可夫模型IO-HMM YinM,SheehanM,FeyginS,PaiementJ,PozdnoukhovA(2018)Agenerativemodelofurbanactivities from cellular data. IEEE Trans Intell Transp Syst 19(6):1682–1696 隐半马尔可夫模型HSMM Baratchi M, Meratnia N, Havinga PJM, Skidmore AK, Toxopeus BAG (2014) A hierarchical hidden semi-markov model for modeling mobility data. In: UbiComp ’14, Seattle. pp 401–412 5 基于学习的轨迹生成方法 5.1 方法概述
基于学习的方法通过学习真实轨迹中的特征包括时空特征和文本属性以生成与真实轨迹相似的合成轨迹。与基于模型的方法相比学习方法能够生成更贴近真实世界模式的轨迹数据其核心是使用深度学习技术从真实轨迹数据中学习时空模式进而为下游任务生成高质量的合成轨迹。 基于学习的方法主要可分为以下几类 生成对抗网络GANs 通过生成器与判别器之间的对抗机制进行轨迹优化。生成器负责生成新的轨迹数据判别器用于判断轨迹是真实的还是合成的从而提升生成轨迹的真实性。 变分自编码器VAEs 将轨迹数据映射到潜在空间latent space并从该空间中采样以生成多样性的轨迹数据。 扩散模型Diffusion Models 先向轨迹数据中逐步添加噪声将其转换为高斯分布然后通过逐步去噪的方式还原轨迹数据。该过程有助于提高生成结果的隐私性。 5.2 基于GAN的方法
生成器学习数据分布将随机噪声转换为与训练数据相似的样本判别器学习判断样本来源于真实数据分布还是模型生成的分布
Ouyang K, Shokri R, Rosenblum DS, Yang W (2018) A non-parametric generative model for human trajectories. In: IJCAI. pp 3812–3817 提出一种非参数的 GAN 模型不需要对目标分布做显式假设直接通过对抗学习从轨迹数据中学习其分布 将轨迹数据转换为稀疏矩阵将访问时间与停留时间映射到网格中并使用 CNN 学习其中的复杂空间特征。 MoveSim Feng J, Yang Z, Xu F, Yu H, Wang M, Li Y (2020) Learning to simulate human mobility. In: KDD. pp 3426–3433 结合了 GAN 与人类行为先验知识 生成器由 SeqNet基于自注意力的时间建模 和 RegNet引入城市结构的区域建模网络 组成 判别器基于 CNN设计了兼顾空间连续性与时间周期性的损失函数 TrajGen Cao C, Li M(2021) Generating mobility trajectories with retained data utility. In: KDD. pp 2610–2620 结合 GAN 与 Seq2Seq 模型分别处理空间与时间信息 空间信息被映射为二维图像通过深度卷积生成对抗网络DCGAN生成图像形式的轨迹位置 时间信息则通过 Seq2Seq 进行建模 LSTM-TrajGAN Rao J, Gao S, Kang Y, Huang Q (2021) Lstm-trajgan: a deep learning approach to trajectory privacy protection. In: GIScience. pp 12–1121743 结合 LSTM 与 GAN 的优势生成时间序列轨迹
这些基于图像或矩阵的转换方式会引入轨迹不连续性的问题 一些研究采用 两阶段 GAN 框架第一阶段生成稀疏或大范围轨迹第二阶段生成更细致、局部范围的轨迹从而提高轨迹的连贯性
Wang X, Liu X, Lu Z, Yang H (2021) Large scale gps trajectory generation using map based on two stage gan. J Data Sci 19(1):126–141 基于地图的两阶段 GAN 第一阶段将 GPS 数据转换为离散网格并通过深度卷积 GAN 学习整体轨迹分布第二阶段使用带编码器-解码器结构的条件 GAN 生成细粒度轨迹解码器使用双向 LSTM 判别器确保生成轨迹在道路网络中合理、符合真实分布。 TS-TrajGen Jiang W, Zhao WX, Wang J, Jiang J (2023) Continuous trajectory generation based on two-stage GAN. In: AAAI. pp 4374–4382 第一步将道路网划分为区域分别生成区域内轨迹 第二步将各区域轨迹连接通过结合 A* 搜索算法纠正轨迹错误增强路径连续性与合理性。
除时空属性外外部信息如城市结构、活动类型也在轨迹生成中起重要作用 STAGE CaoZ,LiuK,JinX,NingL,YinL,LuF(2024)Stage:aspatiotemporal-knowledgeenhancedmulti-task generative adversarial network (gan) for trajectory generation. Int J Geogr Inf Sci 1–28 结合 Transformer 建模长期时空依赖设计两个辅助任务活动序列生成、区级轨迹生成以增强主任务街道级轨迹生成使用强化学习与策略梯度优化生成器 STARSpatio-Temporal-Augmented Graph Network Wang Y, Zheng T, Liu S, Feng Z, Chen K, Hao Y, Song M (2024) Spatiotemporal-augmented graph neural networks for human mobility simulation. IEEE Trans Knowl Data Eng 36(11):7074–7086 设计三种图结构空间距离图、时间转移图、时空联合图捕捉位置之间的关系 建立探索分支与驻留分支构成的双分支生成器分别生成多样化与重复性轨迹 判别器以策略形式优化生成轨迹。
5.3 基于变分自编码器VAE的方法
变分自编码器VAE由两部分组成编码器Encoder 和 解码器Decoder 编码器负责将原始数据转换为低维的潜在表示解码器则从潜在空间中采样并生成新的数据样本 VAE 的训练目标是 最小化解码器生成的数据与原始数据之间的差异最小化编码器生成的潜在表示分布与先验分布之间的差异。 相比 GANVAE 训练更稳定但生成样本的质量可能不如 GAN。β-VAE是 VAE 的一个变体其中 β 是控制 KL 散度项权重的超参数可以影响潜在空间的结构。 通过调节 β模型能够生成具有更清晰结构和可控特征的样本 Ding W, Wang W, Zhao D (2019) A multi-vehicle trajectories generator to simulate vehicle-to-vehicle encountering scenarios. In: ICRA. pp 4255–4261 提出多车辆轨迹生成模型MTG采用双向 GRU 编码器与多分支解码器结构 Huang D, Song X, Fan Z, Jiang R, Shibasaki R, Zhang Y, Wang H, Kato Y (2019) A variational autoencoder based generative model of urban human mobility. In: MIPR. pp 425–430 将 VAE 与 Seq2Seq 模型结合处理时间序列中每个时间步的信息 Zhou F, Liu X, Zhang K, Trajcevski G (2021) Toward discriminating and synthesizing motion traces using deep probabilistic generative models. IEEE Trans Neural Netw Learn Syst 32(6):2401–2414 提出半监督轨迹-用户关联模型STULIG引入高斯混合模型作为先验分布以更好捕捉轨迹数据的多模态性同时采用 CNN 作为编码器与解码器以增强模型对复杂特征的学习能力。
5.4 基于扩散模型的方法
扩散模型Diffusion Model是一种基于噪声的生成模型包含两个过程 正向过程forward process 逐步向真实数据添加噪声使其渐进式地变为随机噪声 反向过程reverse process 学习如何逐步去噪重构数据结构 在轨迹生成中轨迹分布在正向过程中被扰动反向过程用于恢复真实轨迹 Traj-UNet ZhuY,YeY,ZhangS,ZhaoX,YuJ(2023) Difftraj: generating GPS trajectory with diffusion probabilistic model. In: NeurIPS 基于图像处理中常用的 U-Net 结构结合残差块与多尺度特征融合在去噪过程中保留时空特征。 TrajGDM ChuC,ZhangH,WangP,LuF(2024) Simulating human mobility with a trajectory generation framework based on diffusion model. Int J Geogr Inf Sci 38(5):847–878 轨迹解码器为基于 Transformer 的生成网络用于捕捉轨迹的时空关系
后续研究进一步引入道路拓扑约束使生成轨迹不仅符合时空特性也满足道路网络约束 RoadMAE ZhuY,YuJJQ,ZhaoX, LiuQ,YeY,ChenW, ZhangZ,WeiX,LiangY(2024) Controltraj: controllable trajectory generation with topology-constrained diffusion model. In: KDD. pp 4676–4687 结合道路拓扑与行程属性信息生成现实轨迹RNTraj Wei T, Lin Y, Guo S, Lin Y, Huang Y, Xiang C, Bai Y, Wan H (2024) Diff-rntraj: A structure aware diffusion model for road network-constrained trajectory generation. IEEE Trans Knowl Data Eng 36(12):7940–7953 将轨迹点表示为 (e, r)其中 e 表示道路段r 表示已行驶距离占道路段长度的比例 通过扩散过程生成轨迹并设计空间可达性损失函数确保生成轨迹满足道路网络的可通行性
6 结论与未来方向
论文将轨迹生成方法划分为基于模型的方法与基于学习的方法 基于模型的方法假设移动模式遵循预定义的规则或模型从而生成轨迹基于学习的方法通过分析真实轨迹数据中的移动规律进行学习并据此生成新的轨迹 论文提出若干未来可探索的研究方向 隐私保护与生成质量的权衡问题 隐私保护技术在轨迹生成中有助于缓解隐私泄露风险但往往会对生成轨迹的质量产生影响未来研究可聚焦于如何最小化隐私保护与轨迹生成准确性之间的权衡 Transformer 与大语言模型的集成应用 Transformer 在捕捉时空依赖关系方面具有强大能力将其与生成模型结合用于轨迹生成可能成为一种趋势同时这也预示着大语言模型LLMs在轨迹生成领域的应用潜力正不断增长。 融合模型驱动与学习驱动方法 将基于模型的方法与基于学习的方法相结合可能成为未来轨迹生成的重要发展方向
