基于协同噪声先验的扩散模型城市交通生成
机器学习
2025-02-14 v2
摘要
随着全球城市化进程的推进，可持续城市研究的关注度日益增长，推动了关注公平性、韧性及城市规划，这些研究往往依赖交通数据。基于 web 应用和移动设备的兴起，为交通相关研究提供了宝贵的用户数据。然而，真实的交通数据成本高昂且引发隐私顾虑。为在保护隐私的同时保留真实运动模式的关键特征，合成数据的需求日益增长。近期扩散模型的进展显示，其在建模随机性与不确定性方面具有巨大潜力用于交通轨迹生成。然而，现有方法常直接应用来自图像生成技术的独立同分布(i.i.d.)噪声抽样，未能考虑塑造城市交通模式的时空相关性和社会互动。在本文中，我们提出 CoDiffMob，一种基于协同噪声先验的城市交通生成扩散模型。我们强调噪声在生成交通数据中的关键作用。通过利用个体运动特征与全体动态，构建新颖的协同噪声先验，为整个生成过程提供更丰富、更具信息性的指导。大量实验表明，我们方法的优越性体现在生成数据准确捕捉个体偏好与集体模式，实现超过 32% 的提升。此外，它能有效替代 web 源交通数据，更好地支持下游应用，同时保障用户隐私，促进更安全、更具伦理性的 web。这凸显了其在可持续城市相关研究中的巨大潜力。代码与数据已公开于 https://github.com/tsinghua-fib-lab/CoDiffMob。
引用
@article{arxiv.2412.05000,
title = {Noise Matters: Diffusion Model-based Urban Mobility Generation with Collaborative Noise Priors},
author = {Yuheng Zhang and Yuan Yuan and Jingtao Ding and Jian Yuan and Yong Li},
journal= {arXiv preprint arXiv:2412.05000},
year = {2025}
}