相对转移而非绝对目的地：一种无需目标轨迹的人类移动生成迁移与落地框架

arXiv:2610.02033v1 发布类型：新 摘要：个体移动轨迹支撑城市分析和基于位置的服务，但大多数轨迹生成器都需要来自其部署城市的观测数据。这一假设恰恰排除了这样一类城市：尽管可以从公开地图中获取兴趣点（POI）及其属性，却无法获得轨迹数据。我们研究无需目标轨迹的生成问题：从源城市的 POI 和轨迹中学习，同时在目标城市中仅使用 POI 的坐标和类别，并且在训练、模型选择或生成过程中均不提供任何目标轨迹或由轨迹推导的统计信息。现有轨迹生成器通常预测绝对目的地，从而将可复用的移动行为与特定城市的 POI 身份及空间布局纠缠在一起。我们的核心洞见是，以由上下文条件决定的相对转移替代这种受城市限制的输出。我们提出 Nomad，一种迁移与落地框架，将学习人们如何移动与确定这些移动在哪里实现分离开来。具体而言，一个以历史为条件的流匹配模型从源城市轨迹中学习一种转移先验，该先验涵盖 POI 上下文之间的语义位移、地理位移以及经过时间；在推理阶段，行为图和探索—返回游走将采样得到的转移落地到目标城市的 POI 地图上。这种因子化方法无需假设完整移动分布具有不变性，即可直接检验表示层面的可迁移性。在涵盖十座城市和 14 次迁移的大量实验中，Nomad 在轨迹保真度和下游效用方面均优于适应基线；与每项指标的最佳基线相比，其平均误差在分布保真度方面降低约 15%，在下游效用方面降低约 3%。