MobiDiff离散扩散模型高效生成人移动数据

背景

人类移动性数据对于交通优化、城市规划和资源分配至关重要，然而真实世界的移动性数据采集成本高昂，且由于隐私顾虑难以共享。近年来，基于扩散模型的方法在合成逼真的移动模式方面展现出潜力，但现有方法通常依赖于连续或隐式的时空轨迹，这限制了它们原生建模具有显式区域、活动、时间和间隔结构的离散语义事件的能力。具体而言，许多现有方法需要复杂的插值、隐式轨迹构建以及从粗到细的实现流程，导致计算效率低且可解释性不足。

核心内容

为解决上述问题，本文提出 MobiDiff，一个端到端的离散扩散框架，能够直接对多通道语义骨架进行去噪，从而高效生成移动性数据，避免了现有扩散方法中常见的代价高昂的插值、隐式轨迹构建和粗到细的实现流程。

具体来说，MobiDiff 将每个用户签到事件分解为三个通道：空间通道（region）、活动通道（activity）和时间通道（time）。在此基础上，采用结构化的事件级、群组级和通道级掩码策略，联合捕捉轨迹级别的移动模式以及事件内部的依赖关系。

论文在亚特兰大、波士顿和西雅图三个大规模真实世界数据集上评估了生成保真度、隐私保护能力和效率。实验结果表明，MobiDiff 能够有效保留轨迹长度和时间间隔分布，同时在更广泛的移动性统计指标上保持竞争力；此外，其推理速度显著快于当前最先进方法，例如在推理过程中平均比 GeoGen 快 5.3 倍。

关键要点

• 离散扩散取代连续扩散：MobiDiff 采用离散扩散方法，直接在离散语义空间（区域、活动、时间）上操作，而非依赖连续或隐式表示，从而更自然地建模带有显式结构的签到事件。
• 多通道语义骨架：将每个签到事件分解为空间、活动和时间三个通道，形成多通道语义骨架，作为扩散过程的去噪目标。
• 结构化掩码策略：引入事件级、群组级和通道级三种掩码，分别捕获轨迹整体的移动模式、事件之间的组关系以及同一事件内部不同通道的依赖。
• 高效性：相比现有方法（如 GeoGen），MobiDiff 在推理时平均加速 5.3 倍，显著降低了生成时间。
• 保真度与隐私：在三个真实城市数据集上，MobiDiff 能够有效保留轨迹长度和时间间隔分布，同时在更广泛的移动性统计指标上保持竞争力，体现了良好的生成保真度与隐私保护能力。

意义与影响

MobiDiff 的提出标志着离散扩散在人类移动性数据生成领域的重要突破。它克服了传统连续扩散方法在建模离散语义事件时的局限性，提供了一种更直接、更高效且可解释的生成框架。其结构化掩码策略能够同时考虑轨迹全局模式与局部事件依赖，从而生成更逼真、更符合实际分布的移动数据。此外，显著的推理速度提升（5.3 倍于 GeoGen）意味着该方法在实际应用（如交通仿真、隐私保护下的数据共享）中具有更强的实用性和可扩展性。该研究也为未来将离散扩散应用于其他具有多通道离散结构的时间序列生成任务提供了参考。