城市系统轨迹生成的粗细结合多分辨率扩散模型

# 用于城市系统轨迹生成的从粗到细多分辨率扩散模型
来源：https://arxiv.org/html/2608.14570
\(2026\)

###### 摘要\.

理解人类移动性对于广泛的城市应用至关重要，包括交通管理、流行病防控和城市规划。然而，由于隐私问题，大规模公共轨迹数据的可用性仍然有限，给下游移动性分析带来了挑战。现有的合成轨迹生成方法主要关注于匹配全局分布相似性，而常常忽略了不同空间和时间分辨率下的移动模式，而这些模式对于实际应用至关重要。

为了解决这些挑战，我们提出了一种新颖的多分辨率扩散框架 MR-Traj，用于大规模轨迹生成。MR-Traj 明确地将轨迹建模为粗粒度里程碑和细粒度段的组合，从而能够在多个分辨率上捕获复杂的空间-时间依赖性。实验结果表明，MR-Traj 在全局分布相似性方面达到了与最先进的方法相当的性能，同时在建模细分辨率移动模式和支持下游城市移动任务方面始终优于它们。此外，通过在多个分辨率层级引入随机性，MR-Traj 生成了更多样化的轨迹，这在种子引导的数据发布设置下，经验证可以降低轨迹关联风险。我们的代码可在 https://github.com/Ray0202/MR-Traj 获取。

时空系统、合成数据生成、人类移动性、去噪扩散概率模型

††期刊年份:2026††版权:cc††会议:Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V\.2; August 9–13, 2026; Jeju Island, Republic of Korea\.††书名:Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V\.2 \(KDD 2026\), August 9–13, 2026, Jeju Island, Republic of Korea††ISBN:979\-8\-4007\-2259\-2/2026/08††DOI:10\.1145/3770855\.3818889††CCS:Information systems Location based services††CCS:Information systems Geographic information systems††CCS:Computing methodologies Neural networks††CCS:Computing methodologies Multiscale systems††CCS:Computing methodologies Simulation evaluation## 1\.引言

人类移动性数据为理解人口层面的移动模式提供了关键见解，并支持广泛的应用，包括城市规划（Xu等人, 2019；Cao等人, 2021a）、交通估计（Li等人, 2020；Griesemer等人, 2024）、流行病防控（Kraemer等人, 2020）和基于位置的服务（Zhang等人, 2022）。在城市和交通系统中，此类数据在城市级决策和移动性分析中起着核心作用。然而，在实践中，由于隐私和监管限制，获取大规模移动数据常常受到限制，特别是对于那些收集了大量轨迹记录但无法在不泄露敏感信息风险下公开发布的组织。因此，合成轨迹生成已成为一种实用的替代方案，它能够在避免直接暴露个人级记录的同时实现数据共享。

早期的合成轨迹生成方法主要依赖马尔可夫链模型。随着深度学习的进步，变分自编码器（VAEs）（Doersch, 2016）和生成对抗网络（GANs）（Creswell等人, 2018）等生成模型随后被探索，通常与长短期记忆网络（LSTMs）等循环架构结合以捕获时间依赖性（Sherstinsky, 2020；Zhang等人, 2023；Rao等人, 2020）。尽管取得了成功，许多现有方法依赖于强先验假设或手工制作的语义特征，例如家/工作地点或兴趣点（Long等人, 2023；Feng等人, 2020），并且经常难以重现高空间分辨率下的细粒度移动模式（Wang等人, 2021；Niu等人, 2022）。这种限制在城市级环境中尤为重要，因为无论是城市范围的结构还是邻里级的移动细节，都是可靠分析所必需的。

最近，扩散模型已成为一种有前途的替代方案，提供了稳定的训练动态和灵活的条件机制，用于可控的轨迹生成（Zhu等人, 2023；Ye等人, 2026）。然而，基于扩散的轨迹生成通常由原始轨迹的元数据引导，当合成数据发布时，这可能仍然会引入隐私风险。同时，准确建模城市移动性需要在多个空间和时间分辨率上捕获模式，其中全局移动模式描述远程结构，而局部模式反映特定区域内的细粒度行为。

现有方法的另一个局限性在于它们主要关注最小化真实和合成轨迹之间的全局分布差异，而对下游分析效用和负责任的数据发布的考虑相对有限（Choi等人, 2021；Kang等人, 2020；Feng等人, 2020；Cao等人, 2022）。在实践中，许多移动性分析任务处理的是部分轨迹或局部区段，这使得在更精细分辨率下的保真度同样重要，并推动了对多分辨率建模的需求，其中全局结构和局部移动被联合表示。将复杂过程分解为多个概率连接的层级的层次模型，为描述随机时空现象提供了原则性框架（Arab等人, 2008；Cao等人, 2021b）。

与此同时，最近的研究探索了大规模预训练轨迹模型，这些模型从海量无标签数据中学习可迁移的移动表示，从而增强了跨区域的泛化能力，并支持诸如预测、补全和生成等下游任务（Wu等人, 2024；Zhu等人, 2024b；Gar等人, 2025；Cao等人, 2025, 2024a）。

基于这些观察，最近的研究表明，将扩散模型整合到多分辨率或从粗到细的框架中，可以有效捕获复杂数据中的结构化依赖性（Qiang等人, 2023；Pie等人, 2023）。例如，HGHOI 在建模人机交互的详细运动之前生成高级里程碑（Pie等人, 2023），而 HierDiff 采用层次扩散策略用于分子生成（Qiang等人, 2023）。在城市移动性的背景下，分别建模抽象结构信息（例如里程碑）和详细的轨迹段，提供了一种捕获多尺度移动模式并增加生成数据多样性的原则性方法。

受这些见解的启发，我们提出了一个使用扩散模型对移动轨迹进行建模的多分辨率框架（MR-Traj），以捕获复杂的时空依赖性。我们专注于双层分辨率设置，其中里程碑级扩散模型捕获全局轨迹结构，而段级扩散模型根据合成的里程碑生成细粒度移动。这种表述使 MR-Traj 能够同时保留大规模移动结构和局部移动细节，同时降低在元数据引导生成下过于确定性的轨迹复制风险。

总而言之，我们的贡献有三方面：

- • 我们提出了一种用于合成城市轨迹生成的多分辨率扩散框架，在元数据指导下联合建模全局里程碑轨迹和局部轨迹段。
- • 我们在大规模真实世界移动数据集上进行了广泛的实验，表明我们的方法在全局分布相似性方面达到了与最先进方法相当的性能，同时持续提高了局部分布的保真度。
- • 我们证明 MR-Traj 支持下游城市移动性分析任务，包括出租车目的地预测和异常移动模式识别，同时表现出比现有元数据引导基线更低的经验关联风险。

## 2\.相关工作

早期关于合成轨迹生成的工作主要将轨迹建模为由马尔可夫假设支配的位置序列，其中每个位置仅取决于前一个位置（Song等人, 2003；Meng等人, 2025）。诸如输入-输出隐马尔可夫模型之类的扩展通过将上下文信息整合到潜在过程中，放宽了均匀转移假设（Yin等人, 2017）。尽管具有可解释性，基于马尔可夫的方法依赖于自回归采样，这限制了可扩展性，并阻碍了长轨迹的高效并行生成。

随着深度学习的兴起，诸如变分自编码器（VAEs）（Doersch, 2016）和生成对抗网络（GANs）（Creswell等人, 2018）等生成模型已被广泛探索用于轨迹合成。循环架构，包括长短期记忆网络（LSTMs），通常与GANs结合以捕获时间依赖性（Sherstinsky, 2020；Rao等人, 2020；Zhang等人, 2023）。代表性方法包括 TrajGANs（Liu等人, 2018），它首次展示了基于GAN的轨迹生成，以及后续的扩展，这些扩展结合了城市结构先验或多阶段生成流程，以提高在不同空间分辨率下的真实性（Feng等人, 2020；Wang等人, 2021）。强化学习方法，如SeqGAN，进一步将轨迹生成建模为序列决策过程（Yu等人, 2017）。然而，基于GAN的模型通常难以训练，在大规模计算上成本高昂，并且对生成轨迹的可控性有限，使其不太适合大规模城市移动性数据。

VAEs也被应用于轨迹生成，通过引入层次潜在结构。例如，VOLUNTEER 采用两层 VAE，首先推断用户级的潜在属性，然后在这些属性条件下生成轨迹（Long等人, 2023）。虽然 VAEs 提供了原则性的概率框架，但它们通常生成过于平滑的轨迹，并依赖于限制性的分布假设，这可能会限制其捕获复杂和细粒度移动模式的能力。

最近，扩散模型已成为轨迹生成的一种有前途的替代方案，提供了稳定的训练动态和灵活的条件机制（Cao等人, 2024b, 2026）。基于扩散的方法在建模复杂的高维结构数据（包括时空轨迹）方面表现出强大的性能（Yang等人, 2024）。特别是，DiffTraj 表明，在元数据指导下，扩散概率模型可以生成与真实移动分布高度匹配的合成轨迹（Zhu等人, 2023）。

除了单分辨率生成之外，越来越多的工作探索层次和多分辨率建模策略，以捕获移动数据的多尺度特性。从粗到细的扩散框架将轨迹生成分解为全局规划和局部细化阶段，从而更好地建模远程结构和局部移动细节（Guo等人, 2025）。相关方法将扩散与结构化规划或多尺度表示相结合，以建模轨迹以及其他时空信号，如交通流（Luo等人, 2025；Liu等人, 2025）。最近的研究进一步研究了针对结构化或类别轨迹数据的可控扩散，并强调通过下游城市分析任务进行评估，而不是仅仅依赖分布级的相似性（Dirmeier等人, 2024；Song等人, 2024；Kapp等人, 2023；Graser等人, 2025）。

我们的工作基于这些进展，通过将时空移动性数据的层次结构明确地整合到多分辨率扩散框架中。通过分别建模全局轨迹结构和局部轨迹段，我们的方法旨在更好地捕获真实世界城市移动性中固有的多尺度依赖性，从而提高生成保真度和下游分析效用。

## 3\.预备知识

### 3\.1\.问题定义

在固定时间间隔采样的轨迹定义为 \(\mathcal{S}=\[s\_\{1\},\.\.\.,s\_\{n\}\]\)，其中 \(s\_\{i\}=\(lat\_\{i\},lon\_\{i\}\)\) 表示车辆在时间戳 \(i\) 时的位置；当 \(s\_\{i\) 在连续空间尺度上时；\(s\_\{i\}=gid\_\{i\}\) 表示出租车在时间戳 \(i\) 时所在的网格ID，在离散化空间尺度上；\(n\) 表示轨迹中的总点数。这种双重表示满足了空间数据处理的不同需求，经纬度提供精确位置，而网格ID便于在更粗糙的尺度上进行空间分析和关注分布相似性的评估。

合成轨迹生成的目标是生成合成轨迹 \(S^\{\prime\}=\[s\_\{1\}^\{\prime\},...\,sn^\{\prime\}\]\)。