Real-Time Trajectory Synthesis with Local Differential Privacy

轨迹流是由诸如智能手机和车载导航系统等位置感知设备生成的。由于位置数据的敏感性，直接共享用户轨迹会存在隐私泄露问题。本地差分隐私（LDP）是一种在用户端扰动敏感数据后共享或分析的隐私保护解决方案，对于私密轨迹流的收集和分析具有很大的潜力。不幸的是，现有的流释放方法经常忽略轨迹流中丰富的时空上下文信息，导致效用不佳和下游应用类型有限。为此，我们提出了RetraSyn，一种新颖的实时轨迹合成框架，能够基于从用户的轨迹流中私密提取的移动模式进行即时轨迹合成。因此，下游轨迹分析可以在具有隐私保护的高效合成数据上进行。我们还考虑了真实世界移动旅行者的真实行为，确保了真实性和实用性。RetraSyn的关键组件包括全局移动模型、动态移动更新机制、实时合成和自适应分配策略。我们在多个真实世界和合成轨迹数据集上进行了广泛的实验，涵盖了流式和历史场景下的各种基于位置的效用度量。实证结果证明了我们提出的框架的优越性和多功能性。

解决问题：本论文旨在解决轨迹数据隐私泄露问题，提出了一种实时轨迹合成框架RetraSyn，以在保护隐私的同时提高数据利用率。

关键思路：RetraSyn框架通过从用户轨迹数据中提取隐私保护的移动模式，并在实时合成过程中使用这些模式来生成合成轨迹数据，以实现隐私保护和高效数据利用的平衡。

亮点：论文提出的RetraSyn框架能够在保护隐私的同时生成高质量的合成轨迹数据，具有广泛的应用前景。实验使用了多个真实和合成数据集，并展示了RetraSyn框架在不同情况下的优越性和灵活性。论文开源了代码，可供进一步研究使用。

相关研究：最近的相关研究包括基于差分隐私的轨迹数据保护方法、轨迹数据合成方法等。其中一些研究包括《Differentially Private Trajectory Data Publication: A Survey》、《Generating Synthetic Trajectory Data with Recurrent Neural Networks》等。