论文笔记：Trajectory generation: a survey on methods and techniques

• 人类移动行为在时间和空间上都表现出高度规律性 （Gonzalez MC, Hidalgo CA, Barabasi A-L (2008) Understanding individual human mobility patterns. Nature 453(7196):779–782）
• 人们有较高概率返回熟悉的地点，即常访问的地点，并且这种行为是可预测的（Song C, Qu Z, Blumm N, Barabási A-L (2010) Limits of predictability in human mobility. Science 327(5968):1018–1021）

• 人类的移动距离与停留时间符合幂律分布（BrockmannD, HufnagelL, GeiselT(2006) The scaling laws of human travel.Nature439(7075):462–465）
  • 短距离移动和短时间停留更常见，而长距离或长时间行为虽然较少，但依然有一定概率发生

• 个体的活动空间与其社交圈大小呈显著正相关（Alessandretti L, Sapiezynski P, Sekara V, Lehmann S, Baronchelli A (2018) Evidence for a conserved quantity in human mobility. Nat Hum Behav 2(7):485–491）
• 人类的移动行为还受生活习惯和行政区域划分的影响，并且社交网络距离更近的用户之间，其移动模式更为相似 （Toole JL, Herrera-Yaqüe C, Schneider CM, González MC (2015) Coupling human mobility and social ties. J R Soc Interface 12(105):20141128）

• 个体具有探索新位置的概率，但这种探索倾向会随时间下降。与此同时，个体展现出强烈的回访已访问地点的倾向（Song C, Koren T, Wang P, Barabási A-L (2010) Modelling the scaling properties of human mobility. Nat Phys 6(10):818–823）
• 虽然用户不断探索新地点，但其活动集中的位置数量保持稳定（Alessandretti L, Sapiezynski P, Sekara V, Lehmann S, Baronchelli A (2018) Evidence for a conserved quantity in human mobility. Nat Hum Behav 2(7):485–491）

SLAW 模型

Lee K, Hong S, Kim SJ, Rhee I, Chong S (2009) SLAW: a new mobility model for human walks. In: INFOCOM. pp 855–863

• 模拟“最小动作原理”，即人们倾向于访问附近的目的地
• 在二维空间中生成一组位置，位置之间的距离遵循幂律分布；
• 停留时间则服从截断幂律分布

• 模拟社会行为对移动决策的影响，个体根据位置的“权重”选择目标点。
• 权重随位置的受欢迎程度上升，随与“家”距离的增加而下降

SIMPS 模型

Borrel V, Legendre F, Amorim MD, Fdida S (2009) SIMPS: using sociology for personal mobility. IEEE/ACM Trans Netw 17(3):831–842

• 基于社会学理论建模移动行为，定义了“社交”与“孤立”两类社会行为，并通过社交图表达个体之间的关系
• 生成的轨迹在接触时长分布上呈幂律

• 引入了“探索”与“偏好回归”机制
• 个体既可能探索新位置，也倾向于回访熟悉位置，且回归行为具备优先级

d-EPR

Pappalardo L, Simini F, Rinzivillo S, Pedreschi D, Giannotti F, Barabási A-L (2015) Returners and explorers dichotomy in human mobility. Nat Commun 6(1):8166

• 引入重力模型，根据当前位置与目的地之间的距离及位置重要性选择目标点，更真实地模拟了个体行为。

Geosim 模型

Toole JL, Herrera-Yaqüe C, Schneider CM, González MC (2015) Coupling human mobility and social ties. J R Soc Interface 12(105):20141128

• 将社会因素引入 EPR 模型，使得个体行为同时受自身与社交圈影响

VISSIM

Fellendorf M (1994) Vissim: a microscopic simulation tool to evaluate actuated signal control including bus priority. In: 64th institute of transportation engineers annual meeting. pp 1–

• 基于微观交通流模型的交通仿真软件，能够模拟单车道与多车道的交通场景
• 信号控制模型：负责模拟交通信号灯控制

• 交通流模型：用于模拟车辆行为，如加速、减速与变道行为。其中包括：

  • 跟驰模型（Following Model）：模拟前车速度较慢时的跟车过程；

  • 变道模型（Lane Changing Model）：模拟当存在空车道时的超车行为。

• VISSIM 通过信号控制模型调度红绿灯，再由交通流模型驱动车辆行为，从纵向与横向两个方向模拟车辆在车道上的运动。

SUMO

Krajzewicz D, Hertkorn G, Rössel C, Wagner P (2002) Sumo (simulation of urban mobility)-an open source traffic simulation. In: Proceedings of the 4th Middle East Symposium on Simulation and Modelling (MESM20002). pp 183–187

• 基于路网环境、交通需求与 OD（起终点）矩阵等交通数据模拟交通状况

TRANSIMS

NagelK,RickertM(2001)Parallelimplementation oftheTRANSIMSmicro-simulation.Parallel Com put 27(12):1611–1639

• 分布式的微观交通仿真平台，采用图划分技术将整个模拟区域划分为多个子区域：

  • 各子区域之间的连接尽可能少，以降低耦合；

  • 每个区域大小大致相同，实现负载均衡；

  • 借助并行计算提高仿真速度；

  • 在微观层面，TRANSIMS 使用跟驰模型、变道模型与转弯模型来模拟具体驾驶行为。

ParamGrid

Klefstad R, Zhang Y, Lai M, Jayakrishnan R, Lavanya R (2005) A distributed, scalable, and synchro nized framework for large-scale microscopic traffic simulation. In: Proceedings. 2005 IEEE intelligent transportation systems, 2005. pp 813–818

• 同样是一款基于分布式架构的微观交通仿真软件

  • 使用微观仿真工具对每辆车进行个体级别模拟；

  • 采用并行计算与分布式架构以提升模拟效率；

  • 通过图划分技术将区域划分为多个子区域；

  • 引入全局路径规划技术，解决跨区域车辆的轨迹生成问题。

提出一种非参数的 GAN 模型，不需要对目标分布做显式假设，直接通过对抗学习从轨迹数据中学习其分布

将轨迹数据转换为稀疏矩阵，将访问时间与停留时间映射到网格中，并使用 CNN 学习其中的复杂空间特征。

MoveSim

Feng J, Yang Z, Xu F, Yu H, Wang M, Li Y (2020) Learning to simulate human mobility. In: KDD. pp 3426–3433

结合了 GAN 与人类行为先验知识

生成器由 SeqNet（基于自注意力的时间建模） 和 RegNet（引入城市结构的区域建模网络） 组成

判别器基于 CNN，设计了兼顾空间连续性与时间周期性的损失函数

TrajGen 

Cao C, Li M(2021) Generating mobility trajectories with retained data utility. In: KDD. pp 2610–2620

结合 GAN 与 Seq2Seq 模型，分别处理空间与时间信息

空间信息被映射为二维图像，通过深度卷积生成对抗网络（DCGAN）生成图像形式的轨迹位置

时间信息则通过 Seq2Seq 进行建模

LSTM-TrajGAN

Rao J, Gao S, Kang Y, Huang Q (2021) Lstm-trajgan: a deep learning approach to trajectory privacy protection. In: GIScience. pp 12–1121743

• 基于地图的两阶段 GAN
  • 第一阶段将 GPS 数据转换为离散网格，并通过深度卷积 GAN 学习整体轨迹分布；
  • 第二阶段使用带编码器-解码器结构的条件 GAN 生成细粒度轨迹，解码器使用双向 LSTM；
• 判别器确保生成轨迹在道路网络中合理、符合真实分布。

TS-TrajGen

 Jiang W, Zhao WX, Wang J, Jiang J (2023) Continuous trajectory generation based on two-stage GAN. In: AAAI. pp 4374–4382

• 第一步将道路网划分为区域，分别生成区域内轨迹；

• 第二步将各区域轨迹连接，通过结合 A* 搜索算法纠正轨迹错误，增强路径连续性与合理性。

STAGE

CaoZ,LiuK,JinX,NingL,YinL,LuF(2024)Stage:aspatiotemporal-knowledgeenhancedmulti-task generative adversarial network (gan) for trajectory generation. Int J Geogr Inf Sci 1–28

• 结合 Transformer 建模长期时空依赖
• 设计两个辅助任务（活动序列生成、区级轨迹生成）以增强主任务（街道级轨迹生成）
• 使用强化学习与策略梯度优化生成器

STAR（Spatio-Temporal-Augmented Graph Network）

Wang Y, Zheng T, Liu S, Feng Z, Chen K, Hao Y, Song M (2024) Spatiotemporal-augmented graph neural networks for human mobility simulation. IEEE Trans Knowl Data Eng 36(11):7074–7086

• 设计三种图结构（空间距离图、时间转移图、时空联合图）捕捉位置之间的关系；

• 建立探索分支与驻留分支构成的双分支生成器，分别生成多样化与重复性轨迹；

• 判别器以策略形式优化生成轨迹。

• 提出多车辆轨迹生成模型（MTG），采用双向 GRU 编码器与多分支解码器结构

• 将 VAE 与 Seq2Seq 模型结合，处理时间序列中每个时间步的信息

• 提出半监督轨迹-用户关联模型（STULIG），引入高斯混合模型作为先验分布，以更好捕捉轨迹数据的多模态性；同时采用 CNN 作为编码器与解码器，以增强模型对复杂特征的学习能力。

Traj-UNet

ZhuY,YeY,ZhangS,ZhaoX,YuJ(2023) Difftraj: generating GPS trajectory with diffusion probabilistic model. In: NeurIPS

TrajGDM

ChuC,ZhangH,WangP,LuF(2024) Simulating human mobility with a trajectory generation framework based on diffusion model. Int J Geogr Inf Sci 38(5):847–878

RoadMAE

ZhuY,YuJJQ,ZhaoX, LiuQ,YeY,ChenW, ZhangZ,WeiX,LiangY(2024) Controltraj: controllable trajectory generation with topology-constrained diffusion model. In: KDD. pp 4676–4687

将轨迹点表示为 (e, r)，其中 e 表示道路段，r 表示已行驶距离占道路段长度的比例

通过扩散过程生成轨迹，并设计空间可达性损失函数，确保生成轨迹满足道路网络的可通行性