DiffMove:基于扩散模型融合群体移动倾向的轨迹恢复方法
人工智能
2025-03-25 v1 机器学习
摘要
在现实世界中,由于采集频率较低或设备覆盖有限,轨迹数据往往是稀疏且不完整的。轨迹恢复旨在恢复这些缺失的轨迹点,使轨迹更加稠密和完整。然而,该任务面临两个关键挑战:1) 单条轨迹的过度稀疏性使得难以有效利用历史信息进行恢复;2) 稀疏轨迹使得捕捉复杂的个体移动偏好更加困难。为应对这些挑战,我们提出了一种名为 DiffMove 的新方法。首先,我们利用群体智慧进行轨迹恢复。具体而言,我们使用所有用户的集体轨迹构建群体倾向图,然后通过图嵌入将群体移动趋势整合到位置表示中。这解决了稀疏轨迹无法依赖个体历史轨迹进行恢复的难题。其次,我们从历史和当前两个角度捕捉个体移动偏好。最后,我们将群体移动倾向和个体偏好整合到轨迹的时空分布中,以恢复高质量轨迹。在两个真实世界数据集上的大量实验表明,DiffMove 优于现有的最优方法。进一步的分析验证了我们方法的鲁棒性。
引用
@article{arxiv.2503.18302,
title = {DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model},
author = {Qingyue Long and Can Rong and Huandong Wang and Shaw Rajib and Yong Li},
journal= {arXiv preprint arXiv:2503.18302},
year = {2025}
}