UMTrajNet：复杂室内环境下人类移动轨迹的时空不确定性建模框架

为解决室内GNSS信号缺失环境下人类移动轨迹不确定性建模的难题，贵州大学计算机科学与技术学院的研究团队提出了一种新型时空深度学习框架UMTrajNet。该研究通过整合图卷积网络(GCN)和长短期记忆网络(LSTM)，创新性地实现了对轨迹时空相关性的自适应学习，并采用自适应欧氏距离方法生成连续不确定性区域。实验表明，UMTrajNet在覆盖率和密度指标上分别达到95.6%和0.218，显著优于现有基线模型，为室内定位服务(LBS)和移动分析提供了更精确的 uncertainty modeling 工具。

　　

在智能城市和位置服务蓬勃发展的今天，室内环境下的精准人员定位却面临着巨大挑战。由于全球导航卫星系统(GNSS)信号在室内空间的缺失，以及智能手机等移动设备采集的轨迹数据存在采样误差(sampling error)和测量误差(measurement error)，传统基于恒定速度假设的"时空棱镜"(Space-Time Prism)方法往往导致潜在路径区域(Potential Path Area, PPA)被严重高估。更棘手的是，人类在复杂室内环境中的移动具有高度动态性——不同的手持姿态（如通话、持握、摆动）、多变的步态特征，以及建筑内部复杂的空间结构，都使得现有基于单一LSTM的模型难以准确捕捉轨迹的时空关联特征。

针对这一系列难题，贵州大学计算机科学与技术学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表了创新性研究成果。他们开发了名为UMTrajNet的时空不确定性建模框架，通过三个关键技术突破实现了室内移动轨迹的精确建模：首先采用同时定位与建图(SLAM)系统获取厘米级参考轨迹，构建包含步长、航向、速度等11类特征的增强数据集；其次创新性地将图卷积网络(GCN)与双向长短期记忆网络(Bi-LSTM)结合，前者通过自适应邻接矩阵学习空间拓扑关系，后者捕捉时间依赖性；最后引入注意力机制动态融合时空特征，并采用自适应欧氏距离生成连续不确定性区域。

研究结果部分显示，在三个大型室内场景（购物中心、图书馆、办公楼）采集的111条轨迹、24245个采样点的测试中：1）在不确定性误差预测方面，UMTrajNet的平均绝对误差(MAE)仅为0.42米，显著优于Attention-BiLSTM(0.52)和Transformer(0.89)等基线模型；2）在不确定性区域建模评估中，其覆盖率达到95.6%，密度指标0.218，较传统AUB方法提升21.5%的精度；3）消融实验证实，移除GCN或LSTM模块分别会使MAE增加23.8%和19.0%，而取消注意力融合模块则导致性能下降34.7%，验证了各组件不可或缺的作用。

这项研究的创新价值体现在三个维度：方法论上，首次将图神经网络引入移动不确定性建模，解决了传统方法对空间关联性刻画不足的缺陷；技术上，开发的融合框架实现了0.56秒采样间隔下的89.1毫秒实时推理能力；应用层面，精确的不确定性区域为疫情流调、医疗康复监测等场景提供了可靠的分析基础。正如作者在讨论部分指出，未来通过整合更多环境特征和小样本学习技术，这一框架有望进一步拓展至地铁站、地下停车场等非结构化场景，为智慧城市建设的最后一公里定位难题提供创新解决方案。