从GPS点到出行模式：基于LLM的灵活语义轨迹生成

城市轨迹在建模城市动态与支撑各类智慧城市应用中扮演关键角色。然而，隐私问题限制了对大规模高质量轨迹数据集的获取。轨迹生成通过合成逼真数据来缓解隐私风险，提供了有前景的替代方案。然而，现有方法无法显式捕捉出行模式，且只能在单一条件下生成固定长度的轨迹。为解决这些局限，我们提出HTP，它利用大语言模型（LLM）先分层生成出行模式（Travel patterns），再生成GPS点（Points），而非直接生成GPS点。我们首先设计了面向轨迹的残差量化变分自编码器（RQ-VAE），以由粗到细的方式将微观层面的GPS轨迹量化为紧凑的宏观层面出行模式词元。这些词元捕捉了丰富的路段空间不规则性，例如由交通状况导致的点密度变化。随后，我们用出行模式词元扩展LLM词表，使轨迹表示与LLM输入对齐，并应用监督微调（SFT）使LLM适配轨迹生成任务，从而能够在多种条件下生成出行模式序列。在两个真实数据集上的大量实验表明，HTP在生成质量上平均超出最强基线29.78%。代码发布于 https://github.com/slzhou-xy/HTP 。