资源关注图片中的水印获取 在大数据时代,位置数据成为各方都亟待挖掘的数据宝藏,比如在城市交通基建规划、商业选址、线下广告等场景中,都是以位置数据为重要基础。但在此过程中,隐私问题一直未得到有效解决,如何在保护原始数据不被泄露同时,更好地服务于各种城市应用呢?

本文将介绍南洋理工大学与SAP联合在IJCAI 2018上发表的论文《A Non-Parametric Generative Model for Human Trajectories》,文章通过真实轨迹学习城市人群的出行分布来生成轨迹,生成轨迹可以代替包含用户隐私信息的真实轨迹,来达到相近数据分析、上层业务建设的效果,避免位置信息外泄。文章有效地学习了轨迹的位置序列Embedding,进而,通过对抗式生成网络(GAN)来学习轨迹分布并生成模拟轨迹。

想要建模城市中的人群移动特性是很有挑战的:1)轨迹状态空间很大;2)轨迹具有很强的独一无二性,很难找到两个轨迹完全相同的人;3)人群的轨迹具有相似的隐式语义,比如上班、下班、旅游,需要用有效的表征刻画出这些相似的语义来;4)轨迹序列内的位置相关性与轨迹间的相关性难以显式定义。

图1 算法框架
为了解决上述挑战,论文首先将轨迹映射到空间网格中,转为矩阵,每个网格包含了轨迹的访问该网格时间与驻留该网格时长信息;然后,通过对抗式生成网络来学习上述矩阵化后的轨迹数据,并生成相似轨迹。实验验证了生成轨迹对个体轨迹特征、轨迹统计特征有较好的保留,并与真实轨迹难以区分。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/69979862/viewspace-2748877/ ,如需转载,请注明出处,否则将追究法律责任。