使用LLM驱动行为与运动约束的移动性异常生成

arXiv cs.AI 论文
mobility-anomaly trajectory-generation llm-driven kinematic-constraints synthetic-data spatial-data-mining ground-truth

摘要

介绍一种生成框架，利用LLM代理将行为异常注入模拟轨迹中，并应用运动约束和地图约束，生成带有真实标签的逼真异常移动数据。

arXiv:2606.10314v1 公告类型：新 摘要：尽管人类轨迹异常的研究对于推进空间数据挖掘至关重要，但实证研究因普遍缺乏真实标注数据集而受到严重阻碍。尽管存在多个真实世界和模拟的人类轨迹数据集，但这些数据集仅捕获正常移动模式，缺乏标注的异常。这种特定的稀缺性根本上源于异常事件固有的统计稀有性，使得传统观测方法不可行。更复杂的是，大规模移动数据的系统获取受到高昂成本和严格隐私法规的严格瓶颈限制。为了克服这些基本限制并建立一个带有标注真实标签的可靠人类轨迹异常数据集，我们引入了一种新颖的端到端生成框架，旨在大规模合成逼真的轨迹异常。我们的架构直接在基线模拟轨迹上运行，弥合了纯合成移动数据与复杂现实世界物理约束之间的差距。我们使用大型语言模型（LLM）代理系统性地注入具有语义意义的行为异常，例如不规则分布外的签到和跳过常规访问。为了确保严格的空间有效性，系统利用地图约束的路径重建，重新计算这些LLM代理修改后的停留点之间的物理转移。此外，为了缩小模拟与现实之间的差距，我们通过一个上下文感知的空间噪声模型增强生成的轨迹，该模型由环境和位置特定变量参数化，以准确模拟异构GPS传感器的退化。
查看原文
查看缓存全文

缓存时间: 2026/06/10 06:14 

# 利用基于大语言模型的行为与运动学约束生成移动异常
来源：https://arxiv.org/abs/2606.10314
查看PDF（https://arxiv.org/pdf/2606.10314）

> 摘要：尽管人类轨迹异常的研究对于推进空间数据挖掘至关重要，但经验研究因普遍缺乏真值数据集而受到严重阻碍。尽管存在多个真实世界和模拟的人类轨迹集合，但这些数据集仅捕获正常移动模式，且缺乏带注释的异常。这种稀缺性根本上源于异常事件固有的统计罕见性，使得常规观察方法不可行。更棘手的是，大规模移动数据的系统获取受到高昂成本和严格隐私法规的严格瓶颈限制。为了克服这些根本性限制，并建立一个带有注释真值的可靠人类轨迹异常数据集，我们引入了一种新颖的端到端生成框架，旨在大规模合成逼真的轨迹异常。我们的架构直接在基线模拟轨迹上操作，弥合了纯合成移动数据与复杂现实世界物理约束之间的差距。我们利用大语言模型（LLM）代理系统地注入具有语义意义的行为异常，例如不规则的分布外签到和跳过的常规访问。为确保严格的空间有效性，系统利用地图约束的路由重建来重新计算这些LLM代理修改后的停留点之间的物理转换。此外，为了缩小模拟与现实的差距，我们通过一个上下文感知的空间噪声模型对生成的轨迹进行增强，该模型由环境和特定位置变量参数化，以准确模拟异质的GPS传感器退化。

## 提交历史

来自：刘跃洋 [查看电子邮件](https://arxiv.org/show-email/a19a296b/2606.10314)  
**[v1]** 2026年6月9日星期二 02:09:02 UTC（21,546 KB）

相似文章

CityBehavEx: 一个可扩展且经实证验证的LLM辅助城市仿真平台

arXiv cs.CL

CityBehavEx是一个可扩展的LLM辅助城市仿真平台，它结合了成熟的人类移动模型与微调后的交叉编码器，为城市规模的人口生成真实且经实证验证的移动模式。在单个消费级GPU上，不到一小时即可模拟100,000个智能体在75天内的行为。