论文笔记：Seed: Bridging Sequence and Diffusion Models for RoadTrajectory Generation

WWW 2025

1 INTRO

• 随着 GPS 设备的普及，车辆和个体的移动轨迹可以轻松被记录为轨迹数据
  • 大量的轨迹数据促进了许多重要应用的发展，例如城市交通规划、车辆导航和路径推荐
  • 然而，获取真实世界的轨迹数据面临多种挑战，包括高昂的数据采集成本、隐私问题 ，以及商业限制
  • 轨迹生成技术通过基于参考轨迹数据集生成合成但真实感强的轨迹，从而成为应对上述挑战的有效方案
• 为了服务下游任务，合成轨迹需具备以下特性：
  • 应与参考轨迹相似（即一致性）、遵循轨迹运动规律]，并且在生成的多个轨迹之间具有差异性（即多样性）
• 现有轨迹生成方法根据方法论可分为两类：
  • 递归式方法（Recurrent）
    • ​​​​​​​ 使用序列模型（ LSTM 和 Transformer）以自回归的方式逐段生成轨迹（即一次一个道路段）
      • SeqGAN 结合了 LSTM 和生成对抗网络（GAN），并使用策略梯度算法进行训练。
      • TrajVAE 利用 LSTM 和变分自编码器（VAE）学习轨迹表示并重构轨迹。
      • TS-TrajGen 则结合 Transformer 和两个 GAN，以由粗到细的粒度生成每条轨迹。
  • 整体式方法（Holistic）
    • ​​​​​​​ 一次性生成完整的轨迹
      • TrajGAN使用基于卷积神经网络（CNN）的 GAN 生成虚拟的轨迹图像，再将其转化为轨迹
      • 为了利用扩散模型,DiffTraj和Diff-RNTraj将扩散模型分别集成到 U-Net 31 和 WaveNet 18 中进行轨迹生成。

• 递归方法在一致性和规律性方面表现出色，这是因为序列模型擅长捕捉参考轨迹沿道路段的运动模式

  • 然而，它们的多样性较差，因为生成的轨迹常常严格遵循同一运动模式，导致生成轨迹相似

• 相反地，那些基于扩散模型的整体式方法具有较高的多样性，但一致性和规律性较弱

  • 这是因为扩散模型是从随机噪声中恢复轨迹，不同运行中生成的轨迹往往不同，但它们无法很好地捕捉沿道路段的顺序移动模式

• ------>论文提出了一种名为 Seed 的轨迹生成方法，目标是同时实现一致性、规律性和多样性

  • 核心思想是联合使用序列模型和扩散模型，兼顾两者优点，同时避免其缺陷

2 问题定义

2.1 道路网络

2.2 道路轨迹

2.3 轨迹生成

3方法

Seed 包含三个主要组件：

1. 一个道路段嵌入字典模块，用于将离散的道路轨迹转换为连续表示；

2. 一个条件扩散模块，用于学习轨迹数据的分布，并以自回归方式生成道路轨迹；

3. 一个课程学习模块，用于加速模型收敛并提升模型性能。

3.1 道路段嵌入

• 一种简单的方法是使用一个随机道路段嵌入字典
  • 每个轨迹中的道路段均从该字典中提取
  • 然而，这种方法忽略了道路网络的拓扑结构以及用户的出行模式
• ------>论文提出一种预训练策略，旨在学习一个更有效的道路段嵌入字典

3.2 条件扩散结构

3.2.1 扩散模型预备知识

• 与标准扩散模型不同，标准模型处理的是整个轨迹表示，而本工作将扩散应用于每个道路段嵌入 ，并以自回归方式逐段生成轨迹，从而在保持序列性基础上提升生成多样性。扩散模型主要包括正向扩散过程 与反向去噪过程

3.2.2 引导条件

3.2.3 离散化与空间偏置

4.3 模型训练

4.4 课程学习

4.5 采样（Sampling）

需要在采样开始时指定要生成多少个道路段（比如 20 个），每步生成一个，生成满就停止。

5 实验

5.1 实验设置

5.1.1 数据集

• 在三个广泛使用的真实世界数据集上评估 Seed 的性能，分别为：Porto¹、Shenzhen² 和 Chengdu³
• 在每个数据集中，随机选取 80% 的轨迹作为训练集，剩余 20% 作为测试集

5.1.2 衡量指标

5.2主要结果

5.2.1 有效性分析

5.2.2 地理可视化分析

5.2.3 ablation study