2022-Activity Trajectory Generation via Modeling Spatiotemporal Dynamics

Paper

发布日期: 2026-10-26

不只生成去过哪里，还要生成何时做了什么

论文名片｜Yuan Yuan、Jingtao Ding、Huandong Wang、Depeng Jin、Yong Li，Activity Trajectory Generation via Modeling Spatiotemporal Dynamics，KDD 2022，4752—4762。DOI。

两条合成轨迹可以有相似的出行距离，却对应很不同的生活：一条在工作时间去了公司，另一条连续安排餐饮和娱乐。若要拿轨迹测试活动预测或接触网络，只像真实人那样移动还不够，时间、地点与活动类型也要配合。

ActSTD 用连续时间的隐状态描述活动之间的变化，再用对抗模仿学习生成事件。它在两类记录上改善了多项分布和下游任务，但分布相似、预测有用与真实疫情预测准确，是三个需要分别检验的层次。

先说结论

生成对象是带时间戳、活动类型与经纬度的活动事件序列，活动类别由地点类别代理；并非直接观测每个人真正进行了什么行为。
模型让隐状态在事件间连续演化、在事件发生时瞬时更新，再依次生成时间、类型和位置。这里的连续动力学是潜在表示，不是物理运动轨迹。
相比多种基线，ActSTD 在运营商数据五项分布指标中三项最好，Foursquare 中四项最好；部分预测步长与训练方式仍有其他方法更优。
合成数据能帮助小样本活动预测，并使某个固定 SEIR 实验更接近真实活动数据驱动的模拟。报告的疫情误差下降超过 50%，参照是另一种模拟，并非观测病例曲线。

两套数据，记录了什么样的活动？

第一套来自中国某大型移动运营商，覆盖北京 10,000 名用户一个月；第二套为 Foursquare 签到，覆盖 1,000 名用户一个月。每个事件含匿名用户、时间、地点类型与坐标。运营商筛除少于 50 次活动者，Foursquare 筛除少于 30 次签到者，筛选后的平均序列长度分别约为 82.92、58.56。

正文列出公司、餐饮、教育、购物等地点类型；附录 Table 4 报告两套类别数为 13 与 9，而正文列举及公开实现的类别表并不完全一致，当前公开实现的运营商映射为 14 类。因而跨实现复现时需要保留具体分类版本，不能把文中所有标签清单当作同一个已经统一的标准。

运营商活动序列长度

图 8｜运营商用户留下了多少活动记录？单面板横轴为每人序列中的活动数，纵轴为该长度所占比例，图从筛选门槛 50 次开始，多数用户记录较少、长序列较少见。长度是事件条数，不是公里或观测天数。来源：原论文 Fig. 8。

Foursquare活动序列长度

图 9｜签到数据是否同样充足？横轴为每人事件条数，纵轴为比例，最低约 30 条，较长序列逐渐减少。签到次数与真实活动总次数不是一回事，记录稀疏也会改变相邻事件间隔。来源：原论文 Fig. 9。

官方代码按序列列表的前 60%、中间 20%、后 20% 划分训练、验证和测试，并用训练数据估计空间标准化参数。这个划分本身没有说明列表按日期前推，不能据此直接称为严格的未来日期外推验证；论文也没有在正文完整交代不同预测实验的位置匹配分辨率。

为什么不能给所有活动用同一个等待时间和空间范围？

同一个人上班、吃饭和旅行的重复节奏不同。固定时间格或统一等待时间分布，容易把不同活动的规律混在一起。

活动类别的时间和空间分布

图 1｜活动之间有哪些必须保留的差异？（a）同类活动再次出现的间隔，横轴天数、纵轴密度，工作蓝线较集中，外出就餐绿线更分散；（b）活动地点距家的距离分布，横轴千米，旅行红点线保留较长距离，餐饮绿线更集中在近处。时间间隔是重复同类活动的间隔，不是工作或吃饭持续了几天。来源：原论文 Fig. 1。

ActSTD 把事件视为带标记的时空点过程。给定历史，条件强度刻画某类事件在某时某地出现的倾向；事件间的不规则时间可以保留，而不必先压到统一小时格。

潜在状态怎样连续变化，又怎样被新活动打断？

模型以隐状态总结既有活动历史。两次活动之间，它按学习到的微分方程连续演化；新活动发生时，再用门控循环单元 GRU 瞬时更新。这样，离上次工作过去十分钟与过去五小时，可以对应不同状态，而非仅仅因为都还没出现新事件就保持不变。

空间部分通过连续归一化流 CNF 描述位置概率密度，在事件间连续改变，并用离散流响应新事件。时间与空间共享隐状态，将既有活动对后续时空分布的影响联系起来。概率密度的演化不代表人的身体按某条微分方程在道路上移动。

ActSTD整体框架

图 2｜动力学、行动策略和判别器如何协作？左侧由不规则活动序列提取历史状态 s 与动态表示 g；中间策略网络根据二者抽样新行动 a；右侧判别器比较真实与生成的状态—动态—行动三元组。蓝箭头为活动生成，紫色为判别器学习，红虚线为奖励反馈。图中 1/0 是判别标签，不是某次生成被证明真实。来源：原论文 Fig. 2。

生成对抗模仿学习 GAIL 让判别器识别合成与真实样本，并用反馈训练生成策略。这里学到的是能模仿观测行为的奖励信号，不是研究已经发现了人类真实效用函数，也不必然识别个人为什么做某项活动。

时间类型和位置的条件生成

图 3｜一次活动怎样被具体生成？上方蓝色分支决定事件时间，中间红色分支决定给定时间的活动类型，下方紫色分支决定给定时间与类型的位置。三部分相乘组成联合条件强度；所有分布都依赖历史表示，不能把它们理解为互不相关的三次随机抽签。来源：原论文 Fig. 3。

训练也采用两类目标：真实活动上的最大似然 MLE，帮助学习事件过程；对抗奖励与近端策略优化 PPO，帮助生成更像观测的序列。附录 Algorithm 1 交替更新动力学、策略与判别器；另比较先预训练再冻结动力学，以及把动力学与策略一起用 PPO 优化的做法。

哪些统计真的更接近，哪些没有？

Table 1 用 Jensen–Shannon 散度 JSD 比较真实与生成分布，越小越接近。五项分别是相邻活动移动距离 Distance、活动回转半径 Radius、相邻事件间隔 Interval、每天活动次数 DailyAct，以及整体活动类型频率 ActType。它们分别约束空间、时间和语义，不能用单一指标代替。

数据与指标	ActSTD	对照中的较好结果	说明
运营商 Distance	0.071	TimeGeo 0.056	本方法不是距离分布最优
运营商 Radius	0.142	TimeGeo 0.203	活动范围更接近
运营商 Interval	0.0077	Neural STPP 0.009	事件间隔有所改善
运营商 DailyAct	0.0084	Neural STPP 0.051	相对散度约下降 83.5%
运营商 ActType	0.004	SeqGAN 0.003	类型频率由 SeqGAN 更优
Foursquare Interval	0.054	Neural STPP 0.034	稀疏签到间隔仍有短板
Foursquare Radius	0.138	SMM 0.244	活动范围差异明显减小

其余 Foursquare 指标中，ActSTD 的距离、每天活动数、活动类型 JSD 分别为 0.082、0.093、0.0063，也均为表中最好。两套数据上的优势分布不同，说明模型面对的不只是同一个任务换了样本量。

对照包括半马尔可夫模型 SMM、TimeGeo、LSTM、SeqGAN、TrajGAIL、MoveSim 与 Neural STPP；附录 B 说明其适配。不同模型原本侧重的目标并不相同，比较适用于本文的活动事件生成设置，不能将结果扩展成所有移动任务的模型排名。

一周活动份额的比较

图 4｜总体日程是否保留了每周节律？横轴为周一至周日，纵轴为事件份额；空白柱为真实、黑柱为 ActSTD、点纹为 SeqGAN、斜纹为 Neural STPP。ActSTD 较好接近多天的真实份额，但周日等仍有偏差。纵轴从约 0.12 起，柱高差异不能读成从零开始的巨大倍数变化。来源：原论文 Fig. 4。

Table 2 的训练比较进一步显示，混合训练在多数指标上更好，但 Foursquare 的回转半径 JSD 为 0.138，高于联合训练的 0.121 和预训练的 0.126。它体现多目标之间的取舍，不能概括为混合训练在十项比较全部第一。

附录实施说明使用小批量训练、学习率搜索与多轮交替更新，作者报告单 GPU 约十小时内可训练。该时间依赖文中实现和设备条件，不是任意数据量的固定运行预算。

生成总体像了，能接着个人历史往后预测吗？

个人层面给模型过去 10 次活动，再预测未来 1、2、5、10 步，分别评分活动类型和位置。这个任务检查条件生成能否接住一段历史，区别于从头产生整个人群的无条件统计。

多步活动与位置预测

图 5｜预测得越远，哪些能力先下降？（a）运营商活动类型；（b）运营商位置；（c）Foursquare 活动类型；（d）Foursquare 位置。横轴为未来步数 K，纵轴为 Accuracy；红点线为 ActSTD、紫星为 Neural STPP、蓝三角为 SeqGAN、绿方为 SMM。多数设置红线较高，但（d）10 步时紫线高于红线，不能照搬正文概括称所有预测都最优。各面板纵轴范围不同。来源：原论文 Fig. 5。

类型预测较稳定，位置预测通常随步数增加明显下降。Accuracy 是本文对目标值匹配的评分，不是坐标误差多少米；若要把位置结果用于具体服务，还需明确地点离散化或空间匹配容差。连续位置生成本身不能提供这个解释。

合成数据能帮小样本，是否也能替代真实数据？

另一个实验用带注意力机制的 LSTM 作为下游预测器。真实训练序列取 100、200、500、1,000 条，每种设置都额外加入 1,000 条生成序列，并在同一个测试集上评分，比较仅真实、加入 ActSTD、加入 Neural STPP 与加入 SeqGAN。

合成活动序列的数据增强实验

图 6｜合成数据在什么样本量下有帮助？（a）活动类型预测；（b）位置预测。横轴为真实训练序列数，各组生成序列固定增加 1,000 条；空白柱仅真实、黑柱 ActSTD、点纹 Neural STPP、斜纹 SeqGAN。小样本类型预测收益较明显，但（a）1,000 条真实数据时黑柱略低于空白柱，说明增强并非总有益；（b）整体数值也较低，不能把类型收益当成位置收益。来源：原论文 Fig. 6。

在图示类型任务中，200 条真实序列加 ActSTD 生成数据，可以达到略高于 1,000 条真实序列单独训练的成绩。这个例子说明特定任务的数据增强价值，不等于合成样本与真实样本有固定的五倍兑换率；增加样本也不能自动补足代表性和标签偏差。

疫情模拟误差减少一半，参照究竟是什么？

最后实验用运营商活动建立接触网络：两个人出现在同一位置并采取同类活动，就形成联系，再在固定 SEIR 规则中模拟易感 S、暴露 E、感染 I 与移出 R 的变化。地点和活动的相同关系是模型构建的接触代理，并非实际面对面接触测量。

Table 3 使用固定参数：密切接触比例 0.2，传播期 5.8 天、潜伏期 5.2 天、感染期 11 天，基本再生数设为 2.2，再由这些量计算状态转移率。每次随机初始化 50 名暴露者，每个实验重复十次。它们定义了这个特定模拟环境，不是从本文两套轨迹中独立估计出的疾病参数。

合成轨迹驱动的疫情模拟

图 7｜合成数据能否复现同一模拟器对真实活动的输出？横轴分别是暴露、感染、移出人数，纵轴为跨模拟期平均的 MAPE；网纹柱为 ActSTD，空白柱为 SeqGAN，保留原误差线。三项中 ActSTD 的柱较低，论文报告相对 SeqGAN 下降超过 50%。参照曲线是用真实活动记录驱动同一 SEIR 模型得到的结果，不是实际确诊、住院或死亡记录。来源：原论文 Fig. 7。

这个实验检验的是合成活动对一个下游接触与传播模型的保真度。它没有证明真实城市疫情预测误差降低一半，也没有验证改变政策后的因果效果。个体间相互影响仍被作者列为后续方向，因此独立生成的轨迹能否保留真实协同行为，需要另行检验。

生成数据还不自动等于隐私保护。本文的目标包含降低直接共享真实活动记录的需求，但没有展示正式差分隐私保证或完整的成员推断、轨迹重识别测试。保真度、实用性与隐私需要分别评估，不能由前两项推导第三项。

一句话总结

连续时空状态与对抗模仿学习，使活动类型、时间和位置更协调，并带来特定任务的数据增强收益，但生成质量、未来预测、疫情实证与隐私保证仍是不同的证据问题。

核心来源

Yuan Yuan, Jingtao Ding, Huandong Wang, Depeng Jin, Yong Li. Activity Trajectory Generation via Modeling Spatiotemporal Dynamics. KDD 2022, 4752–4762。DOI，官方实现。本文依据论文全文、文内附录 A—D，并核对官方 README、数据加载与评价实现。Fig. 1—9 均保留完整原图；各表、算法与版本差异在相应段落说明。