MotiveMob：作为闭环人类移动生成的语义动作的动机

人类流动生成是城市研究的一项重要任务，它综合了城市规划和交通管理的轨迹数据。人员流动可以被描述为“为什么、何地、何时”的决策过程：人们形成流动的意图，然后决定相应活动将在何时何地发生。用户级和时间分布变化下的轨迹生成可能会受益于对该决策结构的显式建模。然而，许多现有的人类移动生成方法要么以粗粒度表示行为意图，例如每日计划或轨迹级描述，要么直接预测未来位置，而无需明确推理每个移动步骤的可能动机。我们引入了 MotiveMob，这是一个用于人类移动生成的动机驱动的自回归框架，它首先形成关于为什么下一次移动可能发生的假设，然后共同生成它可能发生的地点和时间。在每一步中，动机预测器都会根据当前的移动状态、长期行为报告以及 移动历史来推断合理的动机或确定轨迹是否应该终止。给定假设的动机，状态预测器将其基于候选的下一个位置和到达时间。然后，候选人会接受速度可行性和重复检查，然后再得到反馈以做出下一个决定。我们在涉及看不见的用户和看不见的时间段的分布变化下评估 MotiveMob，包括季节变化和 COVID-19 大流行造成的重大行为干扰。实验表明，在用户级别和时间分布变化下，MotiveMob 始终比基于预训练和基于提示的竞争方法实现更好的分布保真度，证明了对分布外移动模式的稳健泛化。