扩散掩码自编码器作为具有上下文感知能力的课程学习器，用于图数据在分布外的泛化

《Information Fusion》：Diffusion Masked Autoencoders as casual-aware curriculum learner for Graph Out-of-Distribution Generalization

轨迹生成模型Traveller融合自回归时间规划和扩散空间建模，利用个体空间锚点与时间模式约束提升生成精度，在保障隐私前提下适用于城市计算等领域。

　　轨迹生成（Trajectory Generation, TG）作为一项关键技术，正在被广泛应用于城市管理和交通规划、流行病控制以及隐私保护的移动性分析等领域。通过模拟个体在空间和时间上的移动行为，TG能够为研究者和政策制定者提供重要的数据支持，帮助他们更好地理解城市中人们的行为模式。然而，现有的轨迹生成方法，特别是无条件扩散模型，在生成高保真度轨迹方面仍然面临诸多挑战。这些方法通常忽略了个体移动行为中的一些关键特征，例如重复访问特定地点、移动范围以及时间上的规律性。因此，生成的轨迹往往在空间和时间上存在不一致，难以准确反映真实的人类行为。

为了克服这些局限性，本文提出了一种名为“Traveller”的新型轨迹生成框架，该框架融合了自回归的旅行模式建模（AR-TempPlan）与基于扩散的轨迹生成（TravCond-Diff）技术，以实现对人类移动行为的高保真度模拟。Traveller的核心思想是，通过提取个体的特定旅行模式作为空间和时间上的约束条件，引导轨迹生成过程，从而生成更加符合实际的轨迹。这种双引导机制不仅能够有效捕捉复杂的移动行为，还能在生成过程中确保隐私的保护，避免直接使用敏感的个人数据。

在Traveller框架中，首先通过个体轨迹数据本身提取出特定的旅行模式，无需依赖外部的语义标签。旅行模式由两个关键组成部分构成：一个是“空间锚点”（home location），另一个是“时间模式”（mask location sequence）。空间锚点代表了个体在移动过程中固定的起始或结束位置，例如家或工作地点，而时间模式则反映了个体在不同时间点访问地点的顺序和规律。通过这两个组成部分，Traveller能够为轨迹生成提供清晰的指导。

接下来，AR-TempPlan模块负责生成时间模式作为条件，规划个体在不同时间点的地点转移。该模块利用自回归模型（AR）在捕捉时间序列上的动态变化方面的优势，结合旅行模式的特征，生成符合实际时间规律的地点转移序列。而TravCond-Diff模块则在时间模式和空间锚点的指导下，通过离散的扩散过程进行空间建模。该模块能够有效地生成符合空间分布的轨迹，同时利用“旅行模式扩散Transformer”（TravDiT）模块进行去噪处理，以确保生成的轨迹能够与时空条件保持一致。

Traveller的设计理念源于对人类移动行为的深入理解。在现实生活中，人们的行为模式受到多种因素的影响，包括时间、空间、社会活动以及个人习惯等。这些因素共同作用，形成了个体在城市中的移动轨迹。然而，现有的轨迹生成方法往往忽略了这些复杂的因素，导致生成的轨迹与真实行为存在偏差。为了弥补这一不足，Traveller通过引入自回归的时间模式建模和基于扩散的空间建模，实现了对个体移动行为的全面捕捉。

在实际应用中，Traveller能够生成高质量的轨迹数据，这些数据不仅在空间和时间上保持一致，还能够反映个体在不同场景下的行为特征。例如，在城市交通规划中，Traveller可以模拟个体在不同时间点的出行路径，为交通流量预测和优化提供支持；在流行病控制中，Traveller可以模拟个体在不同地点的移动轨迹，帮助研究人员评估疫情传播的风险；在隐私保护的移动性分析中，Traveller能够生成符合实际行为的轨迹，而无需直接使用个人的敏感数据，从而在保护隐私的同时提供有价值的信息。

为了验证Traveller的有效性，本文在两个真实世界的数据集上进行了实验，分别是来自中国北京和深圳的两个超大城市。北京具有同心圆式的城市结构，人口流动相对稳定；而深圳则呈现出多中心式的城市结构，沿东西发展轴组织，形成了带状的空间布局。这两个城市的移动行为模式存在显著差异，因此选择它们作为实验数据集能够更好地评估Traveller在不同城市环境下的适应性和性能。

实验结果表明，Traveller在生成高保真度轨迹方面表现出色，其生成的轨迹在空间和时间上的准确性均优于现有的方法。此外，Traveller在下游任务中的表现也相当不错，例如在预测下一个访问地点时，其准确率与真实数据相当。这些结果验证了Traveller在捕捉复杂人类移动行为方面的有效性，同时也证明了其在隐私保护方面的优势。

Traveller的提出不仅解决了现有轨迹生成方法在生成高保真度轨迹方面的不足，还为城市计算中的跨领域数据融合提供了新的思路。在城市计算中，跨领域数据融合（Cross-Domain Data Fusion）是实现城市智能化管理的重要手段。通过整合不同领域的数据，例如环境传感器数据、基础设施使用数据和人类移动数据，研究人员可以更全面地理解城市中的各种现象和问题。然而，现有的跨领域数据融合方法在处理人类移动数据时往往存在局限性，例如缺乏对个体行为模式的深入理解，导致生成的数据难以准确反映真实情况。

为了弥补这一不足，Traveller通过引入自回归的时间模式建模和基于扩散的空间建模，实现了对个体移动行为的全面捕捉。这种方法不仅能够提取个体的特定行为模式，还能够利用这些模式作为约束条件，引导轨迹生成过程，从而生成更加符合实际的轨迹。此外，Traveller在生成过程中不依赖于外部的语义标签，而是完全基于从生成模型中学习到的模式，从而确保了隐私的保护。

在实际应用中，Traveller的双引导机制能够有效解决轨迹生成中的许多问题。例如，在生成轨迹时，空间锚点能够确保轨迹的起点和终点符合实际，而时间模式则能够确保轨迹在时间上的连续性和规律性。这种机制不仅提高了轨迹生成的准确性，还增强了其在不同应用场景下的适应性。此外，Traveller还能够处理大规模的数据集，这在城市计算中尤为重要，因为城市中的移动数据往往具有很高的规模和复杂性。

Traveller的另一个重要贡献是，它提供了一种新的轨迹生成框架，该框架能够有效解决现有方法在生成高保真度轨迹方面的不足。通过结合自回归模型和扩散模型的优势，Traveller能够在捕捉时间序列上的动态变化的同时，实现对空间分布的准确建模。这种方法不仅提高了轨迹生成的准确性，还增强了其在不同应用场景下的适应性。

总的来说，Traveller是一种创新的轨迹生成框架，它能够有效解决现有方法在生成高保真度轨迹方面的不足，同时在隐私保护和跨领域数据融合方面具有显著优势。通过引入自回归的时间模式建模和基于扩散的空间建模，Traveller能够生成更加符合实际的轨迹，为城市计算中的各种应用提供支持。此外，Traveller在生成过程中不依赖于外部的语义标签，而是完全基于从生成模型中学习到的模式，从而确保了隐私的保护。这些特点使得Traveller在实际应用中具有广泛的前景，同时也为未来的研究提供了新的方向。