One Fits All: General Mobility Trajectory Modeling via Masked Conditional Diffusion
作者: Qingyue Long, Can Rong, Huandong Wang, Yong Li
分类: cs.LG, cs.AI
发布日期: 2025-01-23
💡 一句话要点
提出GenMove：基于掩码条件扩散的通用移动轨迹建模框架
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱八：物理动画 (Physics-based Animation)
关键词: 轨迹建模 扩散模型 条件生成 通用框架 掩码条件
📋 核心要点
- 现有轨迹数据模型通常针对特定任务设计，缺乏通用性，无法有效利用不同任务间的共性移动模式。
- GenMove通过掩码条件统一不同任务格式，并利用历史轨迹数据学习上下文嵌入，从而适应复杂条件。
- 实验表明，GenMove在轨迹生成等任务上显著优于现有方法，性能提升最高超过13%。
📝 摘要（中文）
轨迹数据在网络优化和城市规划等诸多应用中起着至关重要的作用。现有的轨迹数据研究通常是任务特定的，其适用性仅限于训练的特定任务，如生成、恢复或预测。然而，统一模型在轨迹建模中的潜力尚未得到充分探索。尽管各种轨迹任务在输入、输出、目标和条件上有所不同，但它们共享共同的移动模式。基于这些共同模式，我们可以构建一个通用框架，使单个模型能够处理不同的任务。然而，构建一个轨迹任务通用的框架面临两个关键挑战：1) 不同任务格式的多样性；2) 施加在不同任务上的条件的复杂性。本文提出了一种基于掩码条件扩散的通用轨迹建模框架（名为GenMove）。具体来说，我们利用掩码条件来统一不同的格式。为了适应与不同任务相关的复杂条件，我们利用历史轨迹数据来获得上下文轨迹嵌入，其中包括丰富的上下文信息，如时空特征和用户偏好。通过无分类器指导方法将上下文轨迹嵌入集成到扩散模型中，使模型能够根据不同的条件灵活地调整其输出。在主流任务上的大量实验表明，我们的模型显著优于最先进的基线模型，在生成任务中性能提升超过13%。
🔬 方法详解
问题定义：现有轨迹建模方法通常是任务特定的，例如专门用于轨迹生成、轨迹恢复或轨迹预测的模型。这些方法无法有效利用不同任务之间的共性移动模式，导致模型泛化能力受限。此外，不同任务的输入、输出格式以及约束条件各不相同，进一步增加了构建通用模型的难度。
核心思路：GenMove的核心思路是利用扩散模型强大的生成能力，并通过掩码条件和上下文嵌入来统一不同任务的格式和约束。通过掩码，模型可以灵活地处理不同长度和类型的输入输出。上下文嵌入则用于编码历史轨迹信息，从而使模型能够根据不同的任务条件调整生成结果。
技术框架：GenMove的整体框架基于条件扩散模型。首先，使用掩码条件来统一不同任务的输入输出格式。然后，利用历史轨迹数据提取上下文轨迹嵌入，该嵌入包含了时空特征和用户偏好等信息。接下来，将上下文轨迹嵌入通过无分类器指导方法集成到扩散模型中，从而引导模型生成符合特定任务条件的轨迹。扩散模型通过逐步添加噪声，然后学习逆向过程来生成轨迹。
关键创新：GenMove的关键创新在于其通用性。它通过掩码条件和上下文嵌入，成功地将不同的轨迹建模任务统一到一个框架中。这种通用性使得模型能够共享不同任务之间的知识，从而提高整体性能。此外，利用无分类器指导方法将上下文嵌入集成到扩散模型中，也提高了模型对不同任务条件的适应能力。
关键设计：GenMove的关键设计包括：1) 掩码策略，用于统一不同任务的输入输出格式；2) 上下文嵌入模块，用于提取历史轨迹信息；3) 无分类器指导方法，用于将上下文嵌入集成到扩散模型中。具体的网络结构和损失函数细节在论文中进行了详细描述（未知）。
🖼️ 关键图片
📊 实验亮点
GenMove在多个主流轨迹建模任务上取得了显著的性能提升。在轨迹生成任务中，GenMove的性能提升超过13%，显著优于现有的最先进基线模型。实验结果表明，GenMove能够有效地利用不同任务之间的共性移动模式，并根据不同的任务条件生成高质量的轨迹。
🎯 应用场景
GenMove具有广泛的应用前景，例如智能交通系统、城市规划、物流优化、用户行为分析等。它可以用于生成逼真的轨迹数据，预测未来的轨迹走向，恢复缺失的轨迹片段，并根据用户偏好定制个性化轨迹。该研究有助于提升相关领域应用的智能化水平，并为未来的轨迹建模研究提供新的思路。
📄 摘要（原文）
Trajectory data play a crucial role in many applications, ranging from network optimization to urban planning. Existing studies on trajectory data are task-specific, and their applicability is limited to the specific tasks on which they have been trained, such as generation, recovery, or prediction. However, the potential of a unified model has not yet been fully explored in trajectory modeling. Although various trajectory tasks differ in inputs, outputs, objectives, and conditions, they share common mobility patterns. Based on these common patterns, we can construct a general framework that enables a single model to address different tasks. However, building a trajectory task-general framework faces two critical challenges: 1) the diversity in the formats of different tasks and 2) the complexity of the conditions imposed on different tasks. In this work, we propose a general trajectory modeling framework via masked conditional diffusion (named GenMove). Specifically, we utilize mask conditions to unify diverse formats. To adapt to complex conditions associated with different tasks, we utilize historical trajectory data to obtain contextual trajectory embeddings, which include rich contexts such as spatiotemporal characteristics and user preferences. Integrating the contextual trajectory embedding into diffusion models through a classifier-free guidance approach allows the model to flexibly adjust its outputs based on different conditions. Extensive experiments on mainstream tasks demonstrate that our model significantly outperforms state-of-the-art baselines, with the highest performance improvement exceeding 13% in generation tasks.