新世代生成式框架：大規模合成具標註的異常人類軌跡資料
研究人類軌跡異常對空間資料探勘至關重要，但缺乏帶標註的真實異常資料。原因在於異常事件本身稀有，加上取得大規模移動資料成本高且受隱私法規限制。為解決此困境，研究團隊提出端對端生成式框架，利用大型語言模型（LLM）在模擬基線軌跡上注入語意豐富的異常行為，例如不尋常的打卡或跳過例行拜訪，並以地圖限制的路徑重建確保空間合理性。
背景與挑戰
人類軌跡異常的研究對空間資料探勘極為關鍵，然而現有的真實與模擬資料集皆只包含正常移動模式，缺乏標註的異常樣本。異常事件本身在統計上極為稀少，傳統觀測方法難以捕捉；同時，大規模移動資料的取得受限於高昂成本與嚴格的隱私法規。
生成式框架概述
為填補資料缺口，研究團隊設計了一套端對端的生成式框架，直接在基線模擬軌跡上操作。核心步驟包括：
- 利用大型語言模型（LLM）代理人，系統性地注入語意上有意義的行為異常，例如不在分布內的打卡或跳過例行拜訪。
- 以地圖約束的路徑重建機制，重新計算 LLM 代理人修改後的停留點之間的實體移動，確保空間合理性。
- 加入情境感知的空間噪聲模型，根據環境與位置變數參數化，模擬 GPS 感測器的異質退化，縮小模擬與真實之間的差距。
預期影響
此框架可在大規模產出具標註的異常軌跡資料，為異常偵測演算法提供可靠的測試基礎，並降低資料取得的成本與法律風險。未來可擴展至不同城市與情境，支援更廣泛的空間分析應用。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
