GeoGen：面向细粒度合成位置社交网络轨迹生成的两阶段粗到细框架
机器学习
2026-03-24 v3
摘要
位置社交网络（LBSN）check-in 轨迹数据是诸多实际应用的重要数据来源，如 POI 推荐、广告和疫情干预等。然而，高昂的采集成本和日益增长的隐私顾虑阻碍了我们获取大规模 LBSN 轨迹数据。近期的合成数据生成技术为实现这一目标提供了新机会，即利用生成式 AI 生成既能保留真实数据特征又能确保隐私保护的合成数据。然而，由于其空间离散、时间不规则的特性，以及由稀疏活动和不确定人类行为 mobility 引起的复杂时空模式，生成合成 LBSN check-in 轨迹仍然具有挑战性。为此，我们提出了 GeoGen，一个用于大规模 LBSN check-in 轨迹生成的两阶段粗到细框架。在第一阶段，我们从原始 LBSN check-in 轨迹中重构出空间连续、时间规则的潜在运动序列，然后设计了 Sparsity-aware Spatio-temporal Diffusion model（STDiff），其高效去噪网络用于学习其潜在行为模式。在第二阶段，我们设计了 Coarse2FineNet，这是一个基于 Transformer 的 Seq2Seq 架构，具备编码器中动态上下文融合机制和解码器中的多任务混合头，用于在编码器中建模语义相关性和行为不确定性，从而以粗粒度潜在运动序列为基础生成细粒度 LBSN 轨迹。在四个真实数据集上的大量实验表明，GeoGen 在保持数据保真度和实用性方面优于最先进的方法，例如在 FS-TKY 数据集上，距离和半径指标分别提升了 69% 和 55%。
关键词
引用
@article{arxiv.2510.07735,
title = {GeoGen: A Two-stage Coarse-to-Fine Framework for Fine-grained Synthetic Location-based Social Network Trajectory Generation},
author = {Rongchao Xu and Kunlin Cai and Lin Jiang and Zhiqing Hong and Yuan Tian and Guang Wang},
journal= {arXiv preprint arXiv:2510.07735},
year = {2026}
}