Synthetic Trajectory Generation Through Convolutional Neural Networks

地理轨迹数据对于从城市规划到疫情控制的应用提供了有价值的见解。然而，移动数据也可能揭示个人的敏感信息，例如政治观点、宗教信仰或性取向。现有的隐私保护方法在发布这些数据时面临着重要的效用-隐私权衡。通过深度学习生成合成轨迹数据提供了一个有前途的解决方案。由于轨迹的序列性质，大多数现有模型基于循环神经网络（RNNs）。然而，生成对抗网络（GANs）的研究在图像生成方面主要采用卷积神经网络（CNNs）。这种差异引发了一个问题，即计算机视觉的进展是否可以应用于轨迹生成。在这项工作中，我们介绍了一种可逆的轨迹到CNN转换（RTCT），将轨迹调整为适合基于CNN的模型的格式。我们在一个概念验证中将此转换与著名的DCGAN集成，并使用两个数据集中的四个指标评估其性能与基于RNN的轨迹GAN进行比较。与RNN模型相比，概念验证在捕捉空间分布方面表现优异，但在复制时序和时间属性方面存在困难。虽然概念验证的效用不足以用于实际应用，但结果表明了这种转换促进使用CNN进行轨迹生成的潜力，为未来的研究开辟了道路。为了支持持续的研究，所有源代码都已在开源许可下提供。

本论文旨在解决移动轨迹数据发布中的隐私问题，并提出一种基于卷积神经网络（CNN）的生成对抗网络（GAN）模型来生成合成轨迹数据。

该论文提出了一种可逆的轨迹到CNN转换（RTCT）方法，将轨迹数据转换为适合于基于CNN的模型生成的格式。这种方法可以提高生成轨迹数据的效用和隐私保护水平。

该论文的实验结果表明，与基于循环神经网络（RNN）的轨迹GAN模型相比，基于CNN的生成模型在捕捉空间分布方面表现更好，但在复制时序和时间属性方面存在困难。该论文的代码已经在开源平台上发布。

与该论文相关的研究包括：1）使用RNN生成轨迹数据的研究；2）使用GAN生成轨迹数据的研究；3）使用CNN处理时空数据的研究。