基于掩码条件扩散的通用 mobility 轨迹建模
机器学习
2025-01-24 v1 人工智能
摘要
轨迹数据在诸多应用中发挥着关键作用，从网络优化到城市规划。现有研究针对轨迹数据的方法局限于特定任务，其适用性仅限于所训练的特定任务，如生成、恢复或预测。然而，单一模型在轨迹建模中的潜力尚未得到充分探索。虽然各种轨迹任务在输入、输出、目标和条件方面存在差异，但它们共享某些常见的 mobility 模式。基于这些共同模式，我们可以构建一个通用框架，使单个模型能够解决不同任务。然而，构建任务通用框架面临两个关键挑战：1）不同任务格式的多样性，2）不同任务条件的复杂性。本文提出了通过掩码条件扩散实现通用轨迹建模的框架（称为 GenMove）。具体而言，我们利用掩码条件统一多样化的格式。为适应与不同任务相关的复杂条件，我们利用历史轨迹数据获取情境轨迹嵌入，其中包含时空特征和用户偏好等丰富的上下文信息。通过分类器自由指南方法将情境轨迹嵌入整合到扩散模型中，使模型能够根据不同条件灵活调整其输出。大量实验表明，我们的模型在主流任务上显著优于最先进的基线，在生成任务中性能提升最高可超过 13%。
引用
@article{arxiv.2501.13347,
title = {One Fits All: General Mobility Trajectory Modeling via Masked Conditional Diffusion},
author = {Qingyue Long and Can Rong and Huandong Wang and Yong Li},
journal= {arXiv preprint arXiv:2501.13347},
year = {2025}
}