一个人的记录缺了很多，能从其他人的常走路线借到线索吗？
论文名片｜Qingyue Long、Can Rong、Huandong Wang、Shaw Rajib、Yong Li，DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model，arXiv:2503.18302v1，2025 年 3 月 24 日。预印本，DOI。
一个人的手机只在上午和傍晚留下位置，中间几个小时空白。直接连线可能穿过从没去过的区域；照抄过去同一时刻，又可能错过今天临时改变的行程。此时，其他人经常怎样在这些地点之间移动，能不能提供补充？
DiffMove 将群体地点联系、个人历史和当天已观测点放在一起，用扩散模型恢复缺失位置。实验支持这种组合在若干指标上的价值，但它恢复的是最有依据的候选轨迹，不是重新观测到了缺失时刻的真实生活。
先说结论
- 任务是在已有稀疏当天轨迹和个人历史条件下补回空格，可使用目标时刻前后的已知位置；它区别于只能利用过去信息的未来预测。
- 群体轨迹先形成地点转移图，并通过一阶、二阶邻近关系学习地点表示；个人模块再结合历史习惯和当天偏离，提供恢复条件。
- 表 III 中，DiffMove 在两套数据的 Recall、MAP 上最高，在 Tencent 的距离误差也最低；Geolife 的距离误差由线性插值更好。
- 人工随机遮蔽率增大时，模型仍优于所比较的 AttnMove，但这不等同于已验证长时间失联、设备偏差或全部真实缺失机制。
补回半小时地点，最初有多少数据可用？
研究把北京空间按道路划为 10,655 个街区，平均面积约 0.265 平方公里，每个街区是一个离散地点；时间划为 30 分钟，一天最多 48 格。位置恢复结果因此首先是街区身份，再以街区中心衡量空间误差，不是原始 GPS 点级重建。
| 数据 | 原始来源 | 过滤后实验规模 |
|---|---|---|
| Geolife | 微软研究院 182 名用户的长期 GPS 数据，2007—2012 年 | 40 用户、3,439 地点、896 条日轨迹 |
| Tencent | 北京 2018 年 6 月位置服务使用时产生的 GPS 记录 | 4,246 用户、8,998 地点、39,422 条日轨迹 |
Tencent 保留一天至少有 34 个已知时间格、且至少有五天记录的用户；Geolife 保留一天至少 12 格、至少五天记录的用户。两个样本的完整程度差异很大，Geolife 的长时段并不等于最后保留了大量完整日轨迹。
Table II 汇总这些样本，Table I 汇总符号。主实验在原本已经观测到的位置中再随机遮蔽 20%，把这些已知答案作为恢复目标；序列按时间顺序以 70%、10%、20% 分作训练、验证、测试。评分能够检验人工藏起的点，却不能直接检验原始记录中本来就未知的位置是否真实恢复。
群体图提供什么，个人历史又提供什么？
假如两个地点经常在多人轨迹中连续出现，它们之间的联系可以帮助信息稀少的用户。模型用地点作节点、观测转移次数作权重，建立无向群体图；无向表示并不保留全部起终点方向差异。
图嵌入采用 LINE：一阶邻近保存两个地点直接联系的强弱，二阶邻近保存它们与其他地点联系结构的相似性。两个地点即使少有直接转换，也可能因为邻居结构相近而获得相近表示。这里的群体倾向是轨迹统计，不是社会关系或从众心理的因果测量。
图 1｜群体、个人和扩散恢复怎样结合？左侧蓝色模块由群体历史轨迹建立地点图，固定图嵌入后查表获得地点表示；右侧黄色模块分别处理个人历史和当前轨迹，再通过跨轨迹注意力整合；中间绿色模块逐步去噪，输出连续表示并映射回离散地点。下方简单重建损失与距离损失约束恢复结果。整张原图没有子图字母，按三个位置逐一说明。来源：原论文 Fig. 1。
个人历史先按同一半小时格取过去最常出现的地点，形成一条代表性日模式。注意力机制再从其他时间格提取关联；当前轨迹使用相似结构，捕捉今天已经出现的地点联系。跨轨迹注意力决定各时刻应借重过去的候选，还是更依赖今天的观测。
这种设计可以容纳习惯与变化，但一个按时段众数压缩的历史会丢掉少数却真实的日程。模型是否能保留夜班、临时远行或新地点，需要单独分组评估，不能只看总体指标。
群体图描述为使用可用轨迹构建，文中没有充分交代构图与图嵌入是否仅限训练期。严格评估时，需确保测试答案和人工遮蔽位置没有先进入图；时间顺序切分本身不能自动排除共享图中的信息进入。
为什么在地点表示上加噪，而不是直接挑一个最像的位置？
地点恢复可能有多个合理候选。扩散模型先在表示空间逐步加入高斯噪声，训练一个去噪网络逆向恢复干净表示；采样从噪声出发，多次预测与修正，再映射回离散街区。
图 2｜每次去噪怎样利用序列结构？输入是带噪地点序列表示与扩散步数 t；1×1 卷积变换特征，Transformer 层处理时段间关系，门控单元与残差连接保留和组合信息，右侧汇聚多层输出后估计干净表示。图中扩散步数不是一天中的半小时编号，两种时间需要区分。来源：原论文 Fig. 2。
图 3｜为什么一次恢复需要多轮？从左下高斯噪声开始，DiffMove 在当前扩散步和条件 c 下估计干净表示，再产生下一步输入，重复至最后输出。虚线省略中间重复步骤，不代表跳过缺失时段；条件包含模型提取的轨迹信息。来源：原论文 Fig. 3。
训练目标除了表示重建误差，还加入相邻恢复位置的距离约束，惩罚过大的连续跳变。它帮助空间连续性，却不是道路可达性、速度上限或旅行时间的完整约束；真实长距离出行也可能被过强的平滑压低。
表中的提升，究竟是百分点、相对比例，还是米？
Table III 比较线性插值、历史同刻、常去地点、随机森林以及 LSTM、BiLSTM、DeepMove、Bi-STDDP、AttnMove、PeriodicMove、TrajGDM。Recall 衡量恢复真实地点的能力，MAP 衡量候选排序质量，越高越好；Distance 为预测地点中心与目标位置的空间差距，单位米，越低越好。
文中未给出 Recall 的完整候选截断定义，因此不能擅自把它解释成任意 top-k，或直接称为每个半小时的精确坐标正确率。
| 数据与指标 | DiffMove | 相应强对照 | 按表内数值比较 |
|---|---|---|---|
| Geolife Recall | 0.4272 | PeriodicMove 0.4074 | 相对约提高 4.9%，绝对增加 0.0198 |
| Geolife MAP | 0.5017 | PeriodicMove 0.4805 | 相对约提高 4.4% |
| Geolife Distance | 3,126 米 | 线性插值 2,345 米 | 本方法误差更高，未获最优 |
| Tencent Recall | 0.8457 | PeriodicMove 0.7893 | 相对约提高 7.1% |
| Tencent MAP | 0.8945 | PeriodicMove 0.8501 | 相对约提高 5.2% |
| Tencent Distance | 681 米 | PeriodicMove 786 米 | 相对约降低 13.4% |
这些提升根据表 III 重算。正文叙述了更大的若干百分比，但与该表对应比较不一致，不能同时把两套百分比当成同一结果。以表内原始数值为依据，更容易判断收益到底多大。
Geolife 中地点命中或排序更好、平均空间误差却不如线性插值，并不矛盾。一个模型可能更多次选中正确街区，但少数错误跳得较远；另一个模型可能从不完全命中却多数落在附近。应用是关心位置类别还是近似距离，会改变对好模型的判断。
群体、个人与距离损失，谁贡献更明显？
图 4｜去掉一个模块会损失什么？（a）Geolife；（b）Tencent。横轴依次为去群体图、去个人模块、去距离损失，蓝色与橙色柱分别为 Recall、MAP，左轴越高越好；绿色线为米级距离误差，使用右轴，越低越好。去个人模块时命中与排序通常下降更明显，去距离损失时空间误差更高。图中没有完整模型柱，需要与 Table III 对照，不能只在三组删减模型中寻找完整性能。来源：原论文 Fig. 4。
例如 Tencent 完整模型 Recall 为 0.8457，图中去群体和去个人后的柱都较低；去距离损失后，米级误差明显高于 681 米。消融支持组合信息有帮助，却没有单独证明群体模块已消除稀有地点偏差或群体选择性。
图 5｜模型越深、距离惩罚越强，就越好吗？（a）蓝线固定 8 个注意力头改变层数，绿线固定 4 层改变头数，横轴为规模、纵轴为 Recall；蓝线在约 4 层较高，更多层并不持续改善。（b）改变距离损失权重 λd，Recall 先升、约 1.2 后略降。两幅保留完整坐标与图例；右图展示的是 Recall，没有展示 Distance 随权重的完整曲线。来源：原论文 Fig. 5。
预印本对最终层数和头数的文字选择，与图 5a 及前段最佳层数说明不完全一致。因此曲线可以支持敏感性判断，但不能据这份文字直接认定一个无歧义的最终复现配置。它也没有提供充分训练时长与采样成本比较，不能只凭采用扩散模型就断言效率优于全部对照。
遮掉八成观测，是否仍比别人遮掉两成更好？
Table IV 在 Tencent 上把人工遮蔽比例从 20% 提到 80%，对比 AttnMove：
| 遮蔽率 | DiffMove Recall / MAP / 米误差 | AttnMove Recall / MAP / 米误差 |
|---|---|---|
| 20% | 0.8457 / 0.8945 / 681 | 0.7646 / 0.8249 / 934 |
| 40% | 0.8301 / 0.8612 / 745 | 0.7502 / 0.8056 / 1,012 |
| 60% | 0.8076 / 0.8428 / 802 | 0.7267 / 0.7731 / 1,146 |
| 80% | 0.7823 / 0.8364 / 835 | 0.7145 / 0.7628 / 1,195 |
DiffMove 在 80% 人工遮蔽下，三项指标都优于 AttnMove 在 20% 时，说明这一对照下表现稳健。但 AttnMove 不是 Table III 中所有指标最强的基线；不能将结论改写为八成缺失也胜过全部方法的两成缺失。
这些人工遮蔽从已有观测中产生，起始样本又经过完整度筛选，与连续数小时失联、设备在特定场所失效、某类用户主动关闭定位等真实机制不同。随机缺失实验提供了一份证据，尚不足以覆盖所有高稀疏场景。
恢复出来的轨迹，该怎样使用？
DiffMove 证明了一条有用路径：群体地点关系可以补个人历史的不足，当前观测又能防止完全照抄常规日程。可是模型输出依然是条件估计；在观测极少时，热门地点与个人众数可能主导恢复，少见的真实活动恰好可能被抹掉。
若用于人流估计、规划或其他下游分析，还需比较完整分布和不确定性，而不仅输出一条看似完整的轨迹。原文也将地点功能语义留作未来方向，当前结果不能自动区分同街区内的工作、购物或居住活动。
一句话总结
群体地点图与个人当日、历史信息结合，能改善稀疏轨迹恢复，但优势依赖评分目标、构图信息边界与缺失机制，补出的地点不能当作重新测量到的事实。
核心来源
Qingyue Long, Can Rong, Huandong Wang, Shaw Rajib, Yong Li. DiffMove: Group Mobility Tendency Enhanced Trajectory Recovery via Diffusion Model. arXiv:2503.18302v1, 24 March 2025。原始版本，arXiv DOI。本文依据 v1 全文、Table I—IV 与方法公式，Fig. 1—5 均为完整原图。书目按 arXiv 官方版本记录，不将版式中的期刊模板字段当作已确认出版信息。
作者介绍
- Qingyue Long：论文署名为清华大学电子工程系、北京信息科学与技术国家研究中心（BNRist）。
- Can Rong：论文署名为清华大学电子工程系、BNRist。
- Huandong Wang：论文署名为清华大学电子工程系、BNRist。
- Shaw Rajib：作者列表以此顺序署名，机构说明采用 Rajib Shaw，署名机构为日本庆应义塾大学媒体与治理研究科。
- Yong Li：论文署名为清华大学电子工程系、BNRist。
延伸思考
以下是 AI 基于论文结果所作的延伸，不属于原论文结论。
可以把测试分成反复到访的熟悉地点与少见、新出现的地点，再分别报告命中率和距离误差。如果总体提升主要来自热门地点，系统也许需要为低频活动保留更多候选，而不是更强地平滑成群体常走路线。
缺失设计还可以从随机删点改成连续时间块、整天缺失或特定地点缺失，并把群体图固定为训练期可见数据。若优势仍保留，才更有理由认为模型能够处理真实设备失联，而不是主要擅长恢复分散藏起的测试点。
