arXiv cs.AI· Yueyang Liu, Joon-Seok Kim, Andreas Z\"ufle·· 1 天前AI 评分24
LLM 驱动的轨迹异常合成框架：地图约束路由与传感器噪声模拟
Synthesizing Human Trajectory Anomalies: An LLM-Driven Framework with Map-Constrained Routing and Sensor Noise Simulation
AI 导读
研究团队提出一个端到端生成框架，用 LLM 智能体在基线模拟轨迹中注入语义上有意义的行为异常，如分布外签到和跳过常规访问。系统通过地图约束路由模块重算停留点间的物理转移以保证空间有效性，并用环境与位置变量参数化的上下文感知空间噪声模型模拟异构 GPS 传感器退化。该流程产出带标注异常的 CTI & EBI 格式移动数据集，为下游空间数据挖掘任务提供基准。
正文 · AI 翻译
摘要：尽管人类轨迹异常的研究对空间数据挖掘至关重要，但实证研究仍因缺乏真实标注数据集而受限。尽管已有若干真实世界和模拟的人类轨迹数据集，但大多数仅包含正常移动模式，缺乏标注的异常。这一局限主要源于异常事件在现实世界中罕见且难以收集。此外，大规模移动数据的收集受到严格隐私法规和获取成本的阻碍。为克服这些局限并建立一个带有标注真实值的可解释人类轨迹异常数据集，我们引入了一个端到端生成框架，旨在规模化合成上下文感知的轨迹异常。与现有模型不同，我们的框架对基线模拟轨迹施加现实世界物理约束。我们采用大型语言模型（LLM）智能体系统性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的常规访问。为确保空间有效性，系统利用地图约束的路由模块重新计算这些 LLM 智能体修改后的停留点之间的物理转换。此外，为缩小模拟与现实的差距，我们用上下文感知的空间噪声模型增强生成的轨迹，该模型由环境和位置特定变量参数化，以模拟异构 GPS 传感器退化。通过这一流程，我们的框架生成了一个带有标注异常的 CTI & EBI 格式移动数据集，为下游空间数据挖掘任务提供了基准。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2606.10314 [cs.AI] |
| （或 arXiv:2606.10314v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.10314 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yueyang Liu [查看邮箱]
[v1]
2026年6月9日星期二 02:09:02 UTC（21,546 KB）
[v2]
2026年11月8日星期日 20:37:45 UTC（22,027 KB）
[v3]
2026年11月12日星期四 01:21:15 UTC（11,505 KB）
来源：arXiv cs.AI · arxiv.org