人类移动行为的深度生成模型

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Deep generative model for human mobility behavior

　　

研究人员提出MobilityGen，在基于扩散的生成框架内实现事件级视角，用于模拟跨越数天至数周、大空间尺度下展开的日常移动序列。该框架将个体去往何处、活动何时发生以及采用何种方式出行建模为耦合的行为决策，而非可分离组件。研究人员采用去噪扩散概率模型(DDPM)从数据中学习多属性事件序列的联合结构。每个事件由多个行为属性构成，被建模为不同但相互依赖的学习目标，其交互通过共享潜表示捕获，该表示跨模式、时间与位置编码有意义的结构。此外，MobilityGen融入建成环境的上下文特征，包括坐标几何与代表城市功能设施的兴趣点(POI)，从而生成与观测约束和上下文一致的多样行为变体。实验表明，MobilityGen在国家级尺度上复现了访问与转移规律性，并捕获跨越较长时间视野的行为依赖，生成与真实世界模式对齐的合成序列。结果表明，基于扩散的生成建模可用于大规模模拟耦合的日常行为，支持从可持续交通策略测试、城市设计可达性评估到影响社会隔离与疫情响应的共在动态分析等应用。

研究背景方面，人类移动受心理规划、个体因素、物理基础设施与周边环境共同约束，同时呈现标度律与空间选择规律性。现有离散化出行需求合成方法（如eqasim、OASIS及效用最大化框架）多关注活动参与与时间约束，简化空间结构；而机理模型（Container、EPR及其变体）虽能复现访问标度律，却难以刻画空间偏好与模式、时间决策的相互作用。忽略这些耦合关系会导致个体空间使用误判，影响可持续交通、人本城市设计与防疫等下游应用。为此，研究人员开展MobilityGen研究，以事件级活动-出行序列为对象，用条件嵌入DDPM学习位置、起始时间、时长与出行模式(m)的联合分布，并引入瑞士全国智能手机GNSS调查数据（数千参与者）作为样本队列，将停留段投影至约500×500 m²多分辨率网格。结论上，MobilityGen在国家级访问与转移规律性、跨日行为依赖上对齐真实数据，证明扩散生成框架可大规模模拟耦合日常行为，对交通规划与城市分析具有方法学意义。论文发表于《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》。

关键技术方法方面，研究人员构建事件级表示：将GNSS轨迹切分为停留与移动段，每事件表示为?l, t, d, m?并关联坐标g与土地利用上下文c；采用条件嵌入DDPM（Li et al., 2022），前向加噪至标准高斯，反向用Transformer编解码器去噪，观测序列经编码器提取特征引导解码；离散属性（l、m）走查找表嵌入，连续属性（t、d）走前馈网络，坐标用Space2vec正弦余弦编码，POI功能用LDA降维，最终经线性头输出各属性并加权重建损失与一致性损失。

研究结果部分，按原文小节浓缩如下。

2.1 事件级移动表示与生成建模：通过将个体移动表示为含位置、时间使用、出行模式及POI上下文的有序事件序列，研究人员证明异构属性随时间与上下文共变可被共享嵌入空间编码，DDPM联合去噪可保留全局序列一致性。

2.2 问题定义：形式化为基于已观测序列x生成未来序列y的条件生成，每事件元组?l, t, d, m?附带g与c，确立多属性条件依赖的数学框架。

2.3 离散活动序列的扩散建模：在连续DDPM上加嵌入与取整步骤处理离散token，联合去噪缓解自回归误差累积，并从同历史采样多可行延续，推导出变分下界与MSE重建损失组合目标。

2.4 神经网络架构：嵌入模块映射异质属性至潜空间，Transformer编码器从已行序列抽特征作引导，解码器反转噪声，多任务线性头(g_l, g_m, g_t, g_d)映射回属性，头与嵌入参数绑定并用交叉熵一致性损失端到端训练。

讨论与结论翻译部分，研究人员指出MobilityGen将位置、时间与模式选择耦合于同一潜过程，在瑞士GNSS队列上复现国家级访问频率、转移矩阵与跨日节奏，支持按出行模式切分的 Accessibility 与共在隔离分析；基于扩散的事件级生成弥补了效用模型与机理模型间的空白，为交通微观仿真提供可扩展数据引擎，后续可纳入个体社会经济属性与多模态换乘约束。研究结论为：条件嵌入DDPM可有效学习人类活动-出行事件的时空-模式联合结构，在保留规律性的同时生成符合建成环境上下文的合成行为序列，对可持续交通评估、城市设计可达性与传染病接触模拟具有直接效用。