基于自回归STG的扩散模型用于时空轨迹生成

《ACM Transactions on Intelligent Systems and Technology》：Autoregressive STG-based Diffusion Model for Spatiotemporal Trajectory Generation

AutoDiff提出基于扩散的时空图模型，通过自回归生成整合空间约束与时间动态，支持路径预测、轨迹恢复和行程估计等任务，实验显示其准确率提升18%-30%，速度加快55-65倍。

　　

摘要 AI总结

摘要

摘要

城市基础模型对于基于轨迹的移动应用至关重要，这些应用需要精确合成遵循空间约束（道路网络）和上下文约束（例如，天气、交通）的路径。然而，现有方法主要依赖于特定任务的模型，这些模型无法在一个统一的框架内全面捕捉和整合多样化的空间模式（例如，连通性）和时间动态（例如，周期性、趋势），从而限制了它们在多种预测任务中的泛化能力。为了解决这一差距，我们提出了AutoDiff，这是一种基于扩散的模型，可以在时空图（STG）上生成轨迹，为序列时空数据的基础模型开辟了新的范式。具体来说，我们通过自回归扩散生成将复杂的时空特征分解为道路网络上的通用分段时间切片，这不仅增强了道路网络内轨迹的连通性，还实现了跨任务的知识转移，如轨迹恢复和行驶时间预测。此外，我们设计了一种基于置信度的提前退出机制，可以在不牺牲质量的情况下消除冗余的去噪步骤，使得该模型在移动性分析中具有可扩展性。在三个真实世界城市轨迹数据集上的广泛实验表明，AutoDiff在路径预测、轨迹恢复和时间估计任务中的性能优于特定任务的基线方法，同时保持了计算效率。

AI总结

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并帮助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

AI生成的摘要

版本创建于2026年1月19日。

本研究提出了AutoDiff，这是一种用于城市环境中时空轨迹生成的基于扩散的基础模型。该模型通过提供一个统一的框架来处理各种与轨迹相关的应用（包括路径预测、轨迹恢复和行驶时间估计），解决了现有特定任务方法中的重大局限性。

核心创新在于将轨迹表示为时空图上的序列，在此过程中时间维度被分解为固定长度的时间切片，同时通过道路网络表示保留了空间结构。这种分解分离了复杂的时空特征，使模型能够学习出可在多个下游任务中应用的通用模式。该框架将道路网络转换为线图，其中节点代表道路段，边连接连续的可通行段，从而使模型能够在边级特征而不是节点级特征上进行处理。

该技术方法将自回归条件去噪机制集成到扩散框架中，使用图注意力网络（Graph Attention Networks）。与标准的非自回归并行去噪方法不同，该模型基于先前去噪的片段自回归地生成每个时间切片。这确保了路径的连续性，并在整个生成过程中强制执行连通性约束。该架构结合了具有残差连接的多层GAT网络，并包括明确的惩罚机制，用于抑制不连续的路径假设，同时加强空间连贯性的转换。

为了解决扩散模型固有的计算效率问题，作者引入了一种基于置信度的提前退出策略。该机制通过使用香农熵（Shannon entropy）在每个去噪步骤测量空间和时间不确定性来计算置信度分数。当置信度超过一个逐渐降低的阈值时，模型会终止不必要的去噪迭代，从而在不牺牲输出质量的情况下显著提高速度。阈值遵循一个凸形下降曲线，在早期阶段保守地允许终止，而在特征稳定后加速终止机会。

在来自成都、波尔图和深圳的三个真实世界城市轨迹数据集上的实验验证表明，AutoDiff的性能优于现有方法。在路径预测方面，该模型的最长公共子序列得分达到了76.46%到80.26%，动态时间扭曲改进达到了30.28%。在轨迹恢复方面，AutoDiff优于专门的基线方法；在行驶时间估计方面，它将成都的均方根误差降低到了3.94分钟，准确率提高了18%。提前退出机制使得与同类方法相比速度提高了55到65倍，同时保持了几乎相同的准确率。

该模型的统一架构通过共享参数初始化和任务适应性特征集成，实现了跨多种轨迹应用的有效知识转移。尽管训练开销适中，但该框架在推理过程中仍表现出计算效率，使其适用于城市移动性应用中的实时轨迹处理系统。这项工作为序列时空数据生成的基础模型开辟了新的范式。