从GPS点到旅行模式：基于大语言模型的灵活语义轨迹生成
人工智能
2026-05-29 v1
摘要
城市轨迹在建模城市动态和支持各种智能城市应用中起关键作用。然而，隐私问题限制了对大规模高质量轨迹数据的获取。轨迹生成提供了一种通过合成真实数据来缓解隐私风险的可行方案。然而，现有方法未能显式捕捉旅行模式，只能在单一条件下生成固定长度的轨迹。为此，我们提出了HTP框架——通过大语言模型（LLM）先生成旅行模式，再生成GPS点，而非直接生成GPS点。首先，我们设计了一种针对轨迹的残差量化变分自编码器（RQ-VAE），以粗到细的方式将微观级GPS轨迹量化为紧凑的宏观级旅行模式标记。这些标记捕捉丰富的空间不规则性，如受交通条件影响的点密度变化。随后，我们扩展LLM的词汇表以包含旅行模式标记，将轨迹表示与LLM输入对齐，并应用监督微调（SFT）以适配轨迹生成任务，实现在各种条件下生成旅行模式序列。大量实验表明，HTP在两个真实数据集上的生成质量均优于最强基准，平均提升29.78%。我们的代码已公开：https://github.com/slzhou-xy/HTP。
引用
@article{arxiv.2605.30014,
title = {From GPS Points to Travel Patterns: Flexible and Semantic Trajectory Generation with LLMs},
author = {Silin Zhou and Chenhao Wang and Yuntao Wen and Shuo Shang and Lisi Chen and Panos Kalnis},
journal= {arXiv preprint arXiv:2605.30014},
year = {2026}
}
备注
This paper is accepted by KDD2026 second round