M-STAR：用于人类 mobility 模型的多尺度时空自回归
人工智能
2025-12-09 v1 机器学习
摘要
人类 mobility 模型对于交通规划和疫情建模等广泛应用至关重要。随着人工智能生成内容(AIGC)范式的兴起，最近的研究探索使用自回归和扩散模型生成合成轨迹。虽然这些方法在生成单日轨迹方面显示出前景，但它们在长期生成（例如周轨迹）效率低下，且缺乏显式的时空多尺度建模。本研究提出了多尺度时空自回归(M-STAR)，一个通过粗到细时空预测过程生成长期轨迹的新框架。M-STAR结合多尺度时空记号化器编码层次 mobility 模式，以及基于Transformer的解码器进行下一个尺度的自回归预测。在两个真实世界数据集上的实验表明，M-STAR在忠实度方面优于现有方法，并显著提高了生成速度。数据和代码均可在https://github.com/YuxiaoLuo0013/M-STAR上获取。
引用
@article{arxiv.2512.07314,
title = {M-STAR: Multi-Scale Spatiotemporal Autoregression for Human Mobility Modeling},
author = {Yuxiao Luo and Songming Zhang and Sijie Ruan and Siran Chen and Kang Liu and Yang Xu and Yu Zheng and Ling Yin},
journal= {arXiv preprint arXiv:2512.07314},
year = {2025}
}