论文解读-TRAG：一种模拟城市人群流动的轨迹生成技术

本文提出了一个基于数据驱动的轨迹生成模型，该模型能提取上下文特征和统计学特征。本文的贡献可以分为以下几个部分：
（1）提出了一个基于数据驱动的轨迹生成框架。
（2）可以学习到城市上下文特征和统计学特征。
（3）提出使用OD矩阵来检验不同数据集之间的相似性，并推导出人类移动的幂律相关性。

一、问题定义

（1）连续轨迹
（2）初始-目的地轨迹
（3）路点
（4）Flight：两个路点之间的直线
（5）合成轨迹

二、人类移动性分析

2.1 建模上下文特征

通过OD矩阵来建模上下文特征

矩阵的每一个元素$M_{i,j}$为从位置i到位置j的轨迹的数量。
移动模式的相似性度量：

2.2 采样分析

只要相似度达到了0.8，就认为相应的采样率为DSR，所有数据集的DSR满足幂律分布，

可以根据输入规模计算输出规模的上界：

三、上下文感知的轨迹生成

包含三个步骤：1）起点目的地区域选择。2）上下文感知路点选择。3）行程规划。

3.1 起始点终点的选择

使用输入数据的OD矩阵进行计算，先选择起始点，再根据起始点选择终点：

3.2 上下文感知路点生成

实际数据表明，路点和城市热点有很大的相似性，

具体生成方法：$AggregatedVariance$方法。

3.3 行程规划

（1）选取起始点和终止点的坐标
从起始和终止区域随机选择。
（2）中间路点的选择
对生成的路点进行$Delaunay$三角剖分，然后创建具有幂函数边长分布的无向图，对无向图使用$Dijkstra$生成轨迹。
（3）速度和停留时间的选择
速度从高斯分布采样获得，$v-N(\mu ,{\sigma }^2)$,其中$\mu$和$\sigma$从输入数据统计得到。

节点到达路点时的停顿时间是由Pareto分布随机分配的，而Pareto分布通常用于对幂律随机序列进行采样。（？）

四、实验

Dataset：来自旧金山人群
baseline：Levy walk ，SLAW
（1）生成的路点结果

（2）飞行长度分布

（3）停留时间分布

五、总结

提出了基于数据驱动的轨迹生成模型-TraG，该模型生成的轨迹继承了原始数据的统计学特征和上下文特征。
发现了人类移动轨迹的幂律特征。