ProDiff：用于最小信息轨迹插补的原型引导扩散
机器学习
2025-05-30 v1
摘要
轨迹数据对各种应用至关重要，但由于设备限制和多样的采集场景，往往存在不完整的问题。现有的插补方法依赖稀疏轨迹或行驶信息（如速度）来推断缺失点。然而，这些方法假设稀疏轨迹保留了基本的行为模式，这对数据采集提出了极高要求，且忽略了大规摸人类轨迹嵌入的潜力。为了解决这一问题，我们提出了 ProDiff，这是一个仅使用两个端点作为最小信息的轨迹插补框架。它集成了原型学习来嵌入人类移动模式，并利用去噪扩散概率模型进行鲁棒的时空重建。结合定制损失函数的联合训练确保了有效的插补。ProDiff 优于 SOTA 方法，在 FourSquare 上准确率提升 6.28%，在 WuXi 上提升 2.52%。进一步分析显示，生成轨迹与真实轨迹之间的相关性达到 0.927，证明了我们方法的有效性。
引用
@article{arxiv.2505.23048,
title = {ProDiff: Prototype-Guided Diffusion for Minimal Information Trajectory Imputation},
author = {Tianci Bu and Le Zhou and Wenchuan Yang and Jianhong Mou and Kang Yang and Suoyi Tan and Feng Yao and Jingyuan Wang and Xin Lu},
journal= {arXiv preprint arXiv:2505.23048},
year = {2025}
}