基于聚合监督学习人口统计条件下的 mobility 轨迹
机器学习
2026-03-04 v1
摘要
人类 mobility 轨迹在公共卫生和社会科学中受到广泛研究， 其中不同人口统计群体显示出显著不同的 mobility 模式。然而， 现有的轨迹生成模型很少捕捉这种异质性， 因为大多数轨迹数据集缺乏人口统计标签。为弥合这一数据差距， 我们提出了 ATLAS，一种基于弱监督的方法， 用于仅使用 (i) 不带人口统计标签的 individual 轨迹、 (ii) 区域级别的聚合 mobility 特征、 (iii) 来自人口普查数据的区域级别的人口统计组成进行人口统计条件轨迹生成。ATLAS 通过训练轨迹生成器并微调其以使模拟 mobility 匹配观察到的区域聚合， 同时以人口统计为条件， 来实现上述目标。在带有人口统计标签的真实轨迹数据上的实验表明， ATLAS 在人口统计真实性方面显著优于基线方法（JSD 下降 12%--69%）， 并在接近强监督训练方面缩小了很大一部分差距。我们进一步发展了关于 ATLAS 何时为何有效的理论分析， 通过识别包括人口统计在不同区域之间的多样性以及聚合特征的信息性， 并配合实验表明其实际意义的理论。我们在 https://github.com/schang-lab/ATLAS 上发布了代码。
关键词
引用
@article{arxiv.2603.03275,
title = {Learning Demographic-Conditioned Mobility Trajectories with Aggregate Supervision},
author = {Jessie Z. Li and Zhiqing Hong and Toru Shirakawa and Serina Chang},
journal= {arXiv preprint arXiv:2603.03275},
year = {2026}
}