使用具有运动学约束的 LLM 驱动行为生成移动异常

尽管人类轨迹异常的研究对于推进空间数据挖掘至关重要，但由于 真值 数据集的普遍缺乏，实证研究仍然受到严重阻碍。尽管有几个真实世界和模拟的人类轨迹集合，但这些数据集专门捕获正常的移动模式并且缺乏带注释的异常。这种特定的稀缺性从根本上是由异常事件固有的统计稀有性驱动的，排除了传统观测方法的可行性。使这一挑战更加复杂的是，大规模移动数据的系统获取受到高昂的成本和严格的隐私法规的严格瓶颈。为了克服这些基本限制并建立带有注释的 真值 的可靠人类轨迹异常数据集，我们引入了一种新颖的端到端生成框架，旨在大规模合成真实的轨迹异常。我们的架构通过直接在基线模拟轨迹上运行，弥合了纯合成移动数据和复杂的现实世界物理约束之间的差距。我们使用 大语言模型 (LLM) 代理系统地注入语义上有意义的行为异常，例如不规则的分布外签到和跳过例行访问。为了确保严格的空间有效性，系统利用地图约束的路由重建来重新计算这些 LLM 代理修改的停留点之间的物理转换。此外，为了缩小模拟与现实的差距，我们使用上下文感知的空间噪声模型来增强所得轨迹，并通过环境和特定位置变量进行参数化，以准确模拟异构 GPS 传感器的退化。