DP-RNTraj：一种基于差分隐私扩散模型并结合道路网络约束的轨迹生成方法

《Intelligent Systems with Applications》：DP-RNTraj: A differential privacy diffusion model-based trajectory generation method with road network constraints

　　

合成轨迹生成可为智能交通系统实现隐私保护型的出行数据共享，但现有方法在差分隐私（Differential Privacy, DP）条件下往往难以同时保持道路网络一致性与数据效用。本研究提出DP-RNTraj，一种具备形式化隐私保护、受道路网络约束的扩散框架。DP-RNTraj采用拓扑感知双分支条件注入机制，在去噪过程中融合微观道路段依赖关系与宏观出行属性。具体而言，基于Transformer的道路ID序列编码器从地图匹配后的道路序列中提取长程拓扑依赖关系，同时七种轨迹级属性经嵌入后与道路嵌入共同通过交叉注意力及全局特征调制注入一维时空U-Net。为缓解隐私噪声导致的结构性退化，研究人员设计了一种信噪比（Signal-to-Noise Ratio, SNR）感知的两阶段训练策略：首先在高噪声区间学习道路网络先验知识，随后在低风险区间执行基于差分隐私随机梯度下降（Differential Privacy Stochastic Gradient Descent, DP-SGD）的精细优化。在旧金山（San Francisco）与罗马（Rome）出租车数据集上的实验表明，DP-RNTraj在(?,δ)=(1.0,10^?5)的隐私预算下实现了良好的隐私-效用权衡，其有效性（Validity）分数分别达到95.05%和94.23%，较DP-TrajGAN提升34.70和29.85个百分点；与最强非消融基线相比，其JSD-Duration（Jensen–Shannon散度-持续时间）误差分别降低96.1%和92.3%，同时保持了具有竞争力的下游出行时间估计性能。

DP-RNTraj是一种面向道路网络约束、满足差分隐私要求的轨迹生成框架，旨在解决高保真轨迹合成与隐私保护之间的固有权衡难题。该研究由Congheng Zhao、Yan Yan、Long Wang和Liqin An等研究人员完成，发表于《Intelligent Systems with Applications》。

研究背景与问题动机。轨迹生成旨在学习真实世界出行活动的时空分布规律，进而产生高质量合成数据以支持交通分析、城市计算、智能交通系统、隐私感知的位置服务、网约车需求预测、自动驾驶仿真及出行数据共享等应用。在智能交通与智慧城市领域，轨迹数据被广泛用于拥堵分析、交通流预测、出行需求估计、路径规划、导航优化、道路网络规划及数字孪生仿真。然而，直接在交通运输机构、地图服务平台、网约车运营商与研究机构之间共享原始GPS记录可能泄露敏感的个人出行模式，包括常访地点、通勤路线和出行偏好。因此，隐私保护的合成轨迹生成成为支持数据发布、模型训练与移动性分析同时降低原始用户轨迹泄露风险的有效途径。尽管近年来取得一定进展，在复杂城市环境中生成真实轨迹仍面临挑战：合成轨迹不仅需要保留真实出行模式的统计特征，还必须与底层道路网络结构保持一致；同时，由于真实轨迹包含高度敏感的个人出行信息，隐私保护需贯穿建模全过程。这些要求使得高保真且隐私保护的轨迹生成在实际智能交通应用中至关重要却极具挑战性。扩散模型（Diffusion Model）作为一种强大的生成范式，在时空序列与轨迹生成领域展现出建模复杂高维数据分布的优越能力，较早期生成模型更适合捕捉长程时空依赖。但当应用于城市轨迹合成时，现有扩散模型仍存在明显局限：多数方法直接在连续坐标空间中生成轨迹，未显式建模道路网络的离散拓扑结构，导致无法保持道路连通性与移动约束，产生轨迹不连续、偏离道路或穿越建筑物等不真实行为；更重要的是，纯坐标生成方式未能充分捕捉嵌入道路拓扑中的路径选择逻辑，严重限制了生成数据的真实性、有效性和实用价值。尽管近期拓扑感知扩散框架（如ControlTraj和Diff-RNTraj）表明将道路网络信息融入扩散过程可有效提升结构合理性和拓扑有效性，但现有拓扑感知扩散方法通常未在训练阶段提供形式化隐私保证。因此，如何在充分利用扩散模型分布建模能力的同时保持道路网络拓扑约束，并实现严格隐私保护与结构保真之间的有利平衡，成为尚未解决的核心挑战。

研究人员开展的研究工作、核心结论与重要意义。为解决上述问题，研究人员提出DP-RNTraj框架，将条件扩散建模与差分隐私相结合。该框架采用基于Transformer的道路序列编码器捕捉微观拓扑依赖，并将这些表示与宏观出行属性在条件时空U-Net中融合。受DP-Promise范式启发，研究人员设计了SNR感知的两阶段隐私训练策略：在高噪声扩散区间 carbohydrates 结构性学习，在低噪声区间执行基于DP-SGD的微调；在GDP（Gaussian Differential Privacy，高斯差分隐私）框架下，该设计实现了隐私保护优化，同时保留与拓扑相关的结构信息以生成高保真轨迹。研究主要贡献包括：第一，提出统一的差分隐私道路网络约束轨迹生成框架，结合道路ID序列编码与条件扩散U-Net，融合微观道路网络拓扑与宏观出行属性，提升生成轨迹的真实性和道路网络有效性；第二，开发受DP-Promise启发的SNR感知两阶段隐私训练策略，先在高铁噪声区间进行结构性学习，再在低噪声区间进行DP-SGD微调，在GDP框架下实现严格的隐私保护优化，缓解直接在整个训练过程中注入隐私噪声导致的结构退化；第三，在两个真实轨迹数据集上开展广泛实验，结果表明所提方法在分布保真度、道路网络有效性和下游任务效用方面表现优异，在严格差分隐私约束下实现了有利的隐私-效用权衡。

关键技术方法概述。研究所用主要技术方法包括以下方面。数据来源为公开的旧金山和罗马出租车轨迹数据集，经预处理与HMM（Hidden Markov Model，隐马尔可夫模型）地图匹配后用于实验。核心架构方面，采用基于Transformer的道路ID序列编码器（RoadIDSequenceEncoder）提取道路拓扑语义，将道路段ID序列嵌入并通过多层自注意力机制捕获长程路径依赖；同时提取七种轨迹级属性（包括离散出发时段和连续平均速度、总距离、整体方向、目的地经度、目的地纬度、平均步长），经离散编码与MLP（Multilayer Perceptron，多层感知机）投影后融合为全局属性向量。道路嵌入与属性嵌入拼接构成长度为(L+1)的联合条件矩阵，作为交叉注意力的键（Key）和值（Value）。扩散生成核心为适应性的时空U-Net，以带噪声轨迹、扩散时间步和联合条件为输入，通过编码器-解码器结构进行去噪，采用双分支条件注入机制：全局分支通过池化和线性投影调制轨迹级属性，局部分支通过空间Transformer模块的交叉注意力实现点级道路网络对齐。输出端设置噪声预测头和辅助道路嵌入预测头。损失函数采用多任务目标，包括坐标去噪损失、速度一致性损失、方向相似性损失、道路语义对齐损失和拓扑转移损失，并通过幅值对齐策略平衡各损失项权重。隐私保护方面，采用SNR感知两阶段训练策略：第一阶段（Phase I）在t∈{S,…,T?1}高铁噪声区间进行结构性预训练，利用前向扩散噪声提供固有隐私保护，学习道路网络先验；第二阶段（Phase II）在t∈{0,…,S?1}低噪声区间应用DP-SGD，冻结道路网络编码器和辅助道路嵌入头，仅优化U-Net坐标去噪参数，进行隐私保护微调。两阶段的隐私成本在GDP框架下显式界定并组合，通过公式μ_total=√(μ₁²+μ₂²)计算总GDP成本，并据此分配隐私预算。后处理包括DDIM（Denoising Diffusion Implicit Models，去噪扩散隐式模型）加速采样、动态道路网络对齐（基于局部拓扑邻域和最大步长约束）以及过采样筛选策略。实验对比的基线方法包括Diff-Wave、DP-TrajGAN、DiffTraj、ControlTraj、Diff-RNTraj、GCDM和TrajGPT。

研究结果。数据集与实验设置方面，实验在罗马和旧金山两个真实世界出租车轨迹数据集上进行，道路网络从OpenStreetMap通过OSMnx构建，经HMM地图匹配提取道路ID序列和属性，按80/20比例划分训练集和测试集，在(?,δ)=(1.0,10^?5)隐私预算下评估。整体性能方面（表4），DP-RNTraj在两个数据集上均取得均衡优异表现：旧金山数据集上JSD-Duration最优且Validity达95.05%，罗马数据集上JSD-Duration和JSD-Density最优且Validity达94.23%。与DP-TrajGAN相比，Validity提升超过29个百分点；与最强非消融基线相比，JSD-Duration误差降低超过92%。与非隐私方法Diff-RNTraj和ControlTraj相比仍具竞争力，表明该框架能有效缓解隐私噪声带来的性能退化。消融研究方面（表4），移除道路网络条件导致Validity显著下降（旧金山从95.05%降至82.44%），分布指标也恶化；移除属性条件导致JSD指标和Validity全面下降；移除两阶段训练策略引起最严重退化，JSD-Length在旧金山从0.0271升至0.1334、罗马从0.0343升至0.1318，证实直接在整个训练过程中应用DP-SGD会削弱优化稳定性；多任务损失各组件也发挥互补作用。隐私-效用权衡分析方面（图4-7），随隐私预算?从4.0降至1.0，性能退化有限，表明模型在中等隐私预算下稳定；当?进一步降至0.5时，JSD-Length和Validity退化加剧，因高斯噪声降低有效梯度信号。DP-RNTraj在?=1.0附近实现最有利的隐私-效用平衡。超参数影响方面（图8-9），扩散采样步数增至200后Validity趋于平稳，故设为200；阶段分离阈值S=400时最优，过大会压缩结构性学习区间并扩大隐私微调范围，导致性能下降。可视化验证方面（图10），DP-RNTraj生成的轨迹紧贴道路结构，而DiffTraj出现穿越建筑物等不合理偏离；热图（图11）显示DP-RNTraj在注入隐私噪声后仍捕捉主要空间分布模式；长度和持续时间分布（图12）与真实数据高度一致。下游任务效用方面（图13），基于DP-RNTraj合成数据训练的出行时间估计模型在真实测试集上表现接近真实数据训练模型；区域流出需求分析（图14）表明DP-RNTraj有效保留时变需求峰值结构，较DiffTraj偏差更小。

讨论与研究结论。该研究提出DP-RNTraj框架，通过道路序列编码与轨迹属性嵌入的联合条件扩散建模，结合SNR感知的两阶段隐私训练策略，在严格差分隐私约束下生成高保真、道路网络一致的合成轨迹。实验验证该框架在分布保真度、道路网络有效性和下游实用性方面表现优异，为隐私保护的轨迹发布和时空分析提供了实用解决方案。研究局限在于：严重GPS噪声、不准确的地图匹配或不完整的道路图仍可能影响道路序列条件质量。未来工作将探究该方法在更嘈杂GPS观测、不完整道路网络及更多样化城市场景下的鲁棒性。