基于动态人口分布感知的行人轨迹生成方法：结合扩散模型

《ACM Transactions on Intelligent Systems and Technology》：Dynamic Population Distribution Aware Human Trajectory Generation with Diffusion Model

人类轨迹数据对城乡规划等领域的应用至关重要，但存在隐私、成本和质量问题。本文提出基于扩散模型的生成框架，通过构建空间图增强地理位置关联性，并设计动态人口分布感知的降噪网络，在训练中融合个体移动损失与人口分布交叉熵损失。实验表明，该方法在轨迹统计指标和群体分布一致性上较SOTA方法提升54%。

　　

摘要人工智能摘要

摘要

摘要

人类轨迹数据在城市规划、交通工程和公共卫生领域至关重要。然而，直接使用真实世界的轨迹数据通常会面临隐私问题、数据采集成本和数据质量等挑战。一个实用的解决方案是轨迹生成技术，该技术旨在模拟人类的移动行为。现有的轨迹生成方法主要关注捕捉个体的移动模式，但往往忽略了人口分布对轨迹生成的影响。实际上，动态的人口分布反映了不同区域人口密度的变化，这显著影响了个体的移动行为。因此，我们提出了一种基于扩散模型的新轨迹生成框架，该框架整合了动态人口分布的约束，以指导高保真度的轨迹生成结果。具体来说，我们构建了一个空间图来增强轨迹的空间相关性。然后，我们设计了一个考虑动态人口分布的去噪网络，以捕捉人类移动行为的时空依赖性以及人口分布在去噪过程中的影响。大量实验表明，我们模型生成的轨迹在某些关键统计指标上可以与真实世界轨迹相媲美，其性能超过了最先进算法54%以上。

人工智能摘要

人工智能生成的摘要（实验结果）

本摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现研究内容的相关性，并协助来自相关研究领域的读者理解本文。它旨在补充作者提供的摘要，后者仍是文章的正式摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

人工智能生成的摘要

版本创建于2026年2月3日。

这篇科学文章解决了生成能够真实反映个体移动行为和动态人口分布影响（即不同区域人口密度变化）的人类轨迹数据的挑战。此类数据在城市规划、交通工程和公共卫生中至关重要，但从真实世界观测数据中获取时往往面临隐私、采集成本和质量问题。为克服这些障碍，作者提出了一种基于扩散模型的新轨迹生成框架，该框架整合了动态人口分布的约束，以指导高保真度合成人类移动数据的生成。

该方法首先构建一个空间图，将位置表示为节点，并通过加权边表示它们之间的地理邻近性。这种空间增强能够捕捉人类移动行为中的显著空间连续性，即个体倾向于更频繁地访问地理位置相近的地方。为了防止空间连接的稀疏性并丰富图表示，该模型同时考虑了一阶邻近性（直接邻居）和二阶邻近性（相似的邻域结构）。图嵌入是通过LINE方法学习的，该方法在效果、效率和可重用性方面优于GNN或对比学习等替代嵌入方法。

在此基础上，该框架采用了一个以动态人口分布数据为条件输入的扩散和去噪过程。这个概率生成模型通过迭代添加和移除噪声的步骤，学习生成与观测到的人口模式一致的空间时间轨迹。该模型使用带有编码、交叉注意力和解码机制的噪声预测器来捕捉时间关系，并在每个生成步骤中整合人口分布的影响。训练目标结合了标准的个体移动损失和考虑人口分布的损失，后者使用交叉熵来确保生成的个体轨迹与各地区的人口分布保持一致。

在两个真实世界的移动数据集上进行的实验表明，所提出的模型在多个评估空间和时间轨迹统计指标以及宏观人口分布的指标上显著优于现有最佳算法。一般来说，深度生成方法比传统统计模型具有优势，但在扩散模型中加入人口分布意识和空间增强模块后，在保持群体层次一致性和个体移动行为真实性方面取得了更好的结果。消融研究证实了这两个组件的重要性，而对超参数的分析突出了个体轨迹真实性和群体分布一致性之间的最佳平衡。

总体而言，这项工作介绍了一种基于扩散模型的轨迹生成方法，该方法有效整合了动态人口分布约束和空间关系，生成了高质量的人工移动数据。这改进了之前要么忽略群体层次人口影响，要么缺乏详细空间建模的方法，为依赖人类移动数据的应用提供了更实用和准确的工具，同时不会侵犯隐私或增加数据收集负担。

此内容由人工智能生成。了解更多