摘要
人类移动数据对于交通优化、城市规划和资源分配至关重要，但由于隐私问题，现实世界的移动数据收集成本高且难以共享。近年来，基于扩散的方法在合成真实移动模式方面显示出希望，但通常依赖于连续或潜在的时空轨迹，限制了它们原生建模离散语义事件的能力，包括明确的区域、活动、时间和间隔结构。
为了解决这一问题，我们引入了 MobiDiff，这是一种端到端的离散扩散框架，通过直接去噪多通道语义骨架来高效生成移动数据，避免了现有扩散方法中普遍使用的昂贵插值、潜在轨迹构建和粗到细的实现管道。具体而言，MobiDiff 将每个人类签到事件分解为空间、活动和时间通道，并采用结构化的事件、组和通道级掩蔽，联合捕获轨迹级移动模式和事件内依赖关系。
我们在来自亚特兰大、波士顿和西雅图的三个大规模真实数据集上评估了生成的保真度、隐私保护和效率。结果表明，MobiDiff 有效保留了轨迹长度和时间间隔分布，同时在更广泛的移动统计数据中保持竞争力；在推理过程中，它的速度也比最先进的方法快得多，例如平均比 GeoGen 快 5.3 倍。这些发现表明，离散扩散为合成移动数据生成提供了一个可解释且高效的框架。
博主点评： MobiDiff 在离散扩散框架中引入了多通道处理方式，有效解决了传统方法的局限性，尤其在隐私保护与数据生成效率方面表现突出。其在真实场景中的应用前景广阔，值得深入研究与实践。