通过卷积神经网络生成合成轨迹
密码学与安全
2025-02-18 v1 人工智能
机器学习
摘要
位置轨迹为城市规划和疫情控制等应用提供了宝贵的洞察。然而，移动数据也可能透露个体的敏感信息，如政治意见、宗教信仰或性取向。现有的隐私保护方法在实用性和隐私性之间面临显著的权衡。通过深度学习生成合成轨迹数据是一个具有潜力的解决方案。由于轨迹具有序列特性，大多数现有模型基于循环神经网络（RNN）。然而，生成对抗网络（GAN）在图像生成中大多使用卷积神经网络（CNN）。这种差异引出了一个问题：计算机视觉的进展是否可以应用于轨迹生成。在本工作中，我们引入了一种可逆轨迹转 CNN 变换（Reversible Trajectory-to-CNN Transformation, RTCT），将轨迹转换为适合 CNN 模型的格式。我们将该变换集成到著名的 DCGAN 中进行概念验证（PoC），并用四项指标对比评估了其性能。实验结果表明，PoC 在捕获空间分布方面优于基于 RNN 的轨迹 GAN，但在复制序列和时序属性方面存在困难。尽管 PoC 的实用性尚不足以满足实际应用需求，但本研究的结果表明了该变换在促进 CNN 用于轨迹生成方面的潜力，为未来研究开辟了新的方向。为支持后续研究，所有源代码均已在开源许可证下提供。
引用
@article{arxiv.2407.16938,
title = {Synthetic Trajectory Generation Through Convolutional Neural Networks},
author = {Jesse Merhi and Erik Buchholz and Salil S. Kanhere},
journal= {arXiv preprint arXiv:2407.16938},
year = {2025}
}
备注
To appear in the proceedings of the 21st Annual International Conference on Privacy, Security & Trust (PST 2024)