TrajGPT: 基于多任务Transformer的受控合成时空轨迹生成
机器学习
2024-11-08 v1
摘要
基于GPS轨迹的人类移动性建模与合成轨迹生成对于城市规划、灾害管理和流行病学等应用至关重要。这两项任务通常需要填充部分指定的访问序列中的空白——我们称之为"受控"合成轨迹生成的新问题。现有的下一位置预测或合成轨迹生成方法无法解决此问题，因为它们缺乏约束生成访问序列所需的机制。此外，现有方法(1)经常将空间与时间视为独立因素，这一假设在现实场景中并不成立；(2)在时间预测精度方面存在挑战，因为它们无法处理混合分布以及不同模式与潜在变量（如星期几）之间的相互关系。当任务涉及填充序列中的空白而非仅预测下一次访问时，这些局限性更加突出。我们提出TrajGPT，一个基于Transformer的多任务联合时空生成模型，以解决这些问题。借鉴大型语言模型的思路，TrajGPT将受控轨迹生成问题表述为自然语言中的文本填充问题。TrajGPT通过贝叶斯概率模型将空间与时间模型集成到Transformer架构中，确保访问序列中的空白以时空一致的方式被填充。我们在公开和私有数据集上的实验表明，TrajGPT不仅在受控合成访问生成方面表现出色，而且在下一位置预测任务中也优于竞争模型——相对而言，TrajGPT在时间精度上实现了26倍的提升，同时平均保留了超过98%的空间精度。
引用
@article{arxiv.2411.04381,
title = {TrajGPT: Controlled Synthetic Trajectory Generation Using a Multitask Transformer-Based Spatiotemporal Model},
author = {Shang-Ling Hsu and Emmanuel Tung and John Krumm and Cyrus Shahabi and Khurram Shafique},
journal= {arXiv preprint arXiv:2411.04381},
year = {2024}
}
备注
10 pages, 3 figures, 32nd ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM SIGSPATIAL 2024)