重新审视合成人类轨迹：超越Datasaurus的仿照生成与基准
机器学习
2025-05-20 v2 人工智能
摘要
人类轨迹数据在众多应用中起着关键作用，如人群管理和流行病防控，但由于实际限制和隐私顾虑，获取此类数据具有挑战性。因此，人们倾向于生成合成人类轨迹数据，以尽可能贴近真实世界的人类轨迹，往往基于统计摘要和分布相似性。然而，这些相似性简化了复杂的人类 mobility 模式（即“Datasaurus”），导致在生成模型设计和生成轨迹基准测试中存在内在偏差。针对这一背景，我们提出MIRAGE（huMan-Imitative tRAjectory GenErative model），一种神经时态点过程模型，集成探索与优先返回模型，旨在仿照人类决策过程生成轨迹，而非像传统方法那样拟合特定统计分布，从而避免Datasaurus问题。我们还提出了一种基于任务的全面评估协议，超越Datasaurus，对四个典型下游任务进行系统性基准测试，集成多种技术和评估指标，以评估生成轨迹的最终实用性。我们在三个真实世界用户轨迹数据集上对MIRAGE进行了详尽评估，同时对照大量基线方法。结果表明，与最佳基线方法相比，MIRAGE生成的轨迹数据不仅在统计和分布相似性方面提升了59.0%-67.7%，还在基于任务的评估中实现了10.9%-33.4%的提升。一系列消融研究也验证了MIRAGE的关键设计选择。
引用
@article{arxiv.2409.13790,
title = {Revisiting Synthetic Human Trajectories: Imitative Generation and Benchmarks Beyond Datasaurus},
author = {Bangchao Deng and Xin Jing and Tianyue Yang and Bingqing Qu and Dingqi Yang and Philippe Cudre-Mauroux},
journal= {arXiv preprint arXiv:2409.13790},
year = {2025}
}
备注
Accepted by KDD'25