论文解读-生成移动轨迹并且保存数据效用

这篇论文提出了一个使用GAN和Seq2Seq模型联合的方法来生成轨迹。同时，将生成的轨迹应用到实际的例子中，一个是路网更新，另一个是起始-目的地需求评估。

一、模型结构

模型分为三个部分，一个部分是使用DCGAN来生成位置信息；第二个部分是使用Seq2Seq模型来生成顺序信息；另一个部分是使用ANN来生成时间信息。

1.1 位置分布学习

使用DCGAN来生成新的位置。
作者使用一个2D的图像来表示位置分布。将地图划分为若干个方格，每个方格代表一个区域，其坐标表示为右上角点的坐标。
使用位置图像训练DCGAN以生成新的位置图像，然后使用Harris角点检测算法来检测位置。

1.2 顺序信息学习

作者使用地图匹配算法将位置匹配至最近的路段，这些路段有自己独特的ID编号。

训练Seq2Seq模型：
模型的输入为默认顺序的id（文中为递增），目标为实际旅行模式顺序的id。生成的时候，输入为DCGAN得到的位置，输出为最有可能的顺序序列。

1.3 时间戳

在这部分中，作者使用ANN推断轨迹的第一个时间戳，后续时间戳可根据$\Delta t$计算得到。

ANN的输入为轨迹的长度和匹配的第一个位置所在的路段，输出为首位置的时间（以15 second为单位划分一天）。

二、实验

2.1 评价指标

（1）宏观：位置分布。将一个地图看成一个向量，使用余弦相似度计算。
（2）微观：
1.位置到映射路段的距离；2.行驶距离；3.普通公路和高速公路的比例；4.轨迹覆盖区域。

2.2 Baseline

随机扰乱RP、高斯扰乱GP、TrajGen-v。

2.3 实验结果

（1）位置分布

（2）时间位置分布
每个小时的位置分布

（3）位置到匹配路段的距离

（4）旅行距离

（5）旅行覆盖距离

（6）普通公路和高速公路的比例

三、实例学习

3.1 路网更新

作者从地图抹去一些路段，然后从各数据集选取500个经过这些路段的轨迹，使用路网更新算法来生成路段，看哪个生成的和原来的相差最小。

3.2 起始-目的地需求分析

该实例的目标是计算OD矩阵的值，即预测两地之间的流量。使用余弦相似度计算和真实值之间的差距。
结果：

然后，作者还计算了每个小时的OD矩阵，来揭示生成轨迹的时空特征：

四、结论

（直接翻译原论文）我们提出了一种使用保留数据效用生成运动轨迹人工数据集的方法TrajGen。生成的移动轨迹与原始数据分离，可以在不存在隐私问题的情况下共享。TrajGen将移动数据中的空间信息与时间信息解耦。在真实出租车数据集上的实验结果表明，TrajGen生成的人工移动轨迹与原始数据符合相似的分布。路线图更新和OD出行需求预测的结果表明，TrajGen能够保留原始数据在机动性数据研究中的效用。