WildGraph：面向野生动物的基于图的现实轨迹生成

轨迹生成是运动研究中的重要任务；它规避了从目标群体收集真实轨迹所带来的隐私、伦理和技术挑战。特别是，由于收集过程中的伦理和环境限制，野生动物领域的真实轨迹非常稀缺。在本文中，我们考虑了基于少量真实样本生成长时间跨度轨迹（类似于野生动物迁徙）的问题。我们提出了一种分层方法来学习真实数据集的全局运动特征，并递归地细化局部区域。我们的解决方案 WildGraph 将地理路径离散化为 H3（https://www.uber.com/blog/h3/）区域的原型网络，并利用循环变分自编码器基于占用情况概率性地生成跨越这些区域的路径。WildGraph 成功地使用小至 60 的样本量生成了逼真的长达数月的轨迹。在两个野生动物迁徙数据集上进行的实验表明，与现有工作相比，我们提出的方法提高了生成轨迹的泛化能力，同时在多项基准指标上实现了优越或可比的性能。我们的代码发布在以下代码库：https://github.com/aliwister/wildgraph。