您的位置首页 >人工智能 >

A Survey on Deep Learning for Human Trajectory Modeling and Generation |深度学习驱动的人

这篇综述梳理了深度学习在人类轨迹建模与生成方向的完整技术路线,这个方向核心就是学习人的移动规律,既能基于历史轨迹预测后续走向,也可以直接生成大量符合真实分布的虚拟移动轨迹,主要用来解决真实 GPS 轨迹采集难、隐私敏感、数据量不足的痛点,落地场景覆盖自动驾驶行人预测、机器人避障、城市人流仿真、交通调度、疫情传播模拟,文章按照技术演进分成传统规则模型、RNN 时序模型、GAN/VAE 生成模型、Transformer 时空模型、扩散轨迹生成、大模型语义可控生成这几大类,对比不同方案对环境地图、行人之间交互、活动语义的建模能力,同时汇总主流公开数据集、评测指标,也点明当前几个核心难题:生成轨迹容易出现物理不合理、缺少出行目的语义、跨城市泛化差、多智能体交互不自然,现在行业新趋势是把地图语义、出行意图和生成模型结合,打造可控的轨迹基础模型,方便下游任务调用。很多人会把轨迹预测和轨迹生成混在一起,预测是给一段历史轨迹往后推几步,生成是从零或者按条件批量合成完整出行序列,二者建模目标、评价标准不一样。

一、主流深度学习方案对比表

方法类别核心原理优势短板典型代表
循环时序模型(RNN/LSTM/GRU)逐点编码坐标时序,捕捉先后移动关系结构简单,适合短序列预测长距离依赖容易遗忘,多模态表达弱Social-LSTM
图结构 + 条件生成(GAN/VAE)用图网络刻画行人交互,隐变量建模多可能性可以输出多条候选轨迹,适合不确定性场景训练不稳定,模式崩溃,长轨迹保真度下滑Trajectron++、Social-GAN
时空 Transformer把位置、地图、交互信息编码成序列注意力擅长长距离依赖、全局空间关联算力开销大,对物理约束弱ST-Transformer
扩散轨迹生成逐步去噪还原时空坐标分布生成轨迹真实度高,分布匹配更好采样慢,条件控制难度高Diffusion-Traj
LLM 语义可控生成把出行意图、地点描述转成轨迹序列支持文字指令生成出行路线,语义可控坐标精度不稳,容易出现不符合路网的路径轨迹大模型 Agent

二、核心任务区分清单

  1. 轨迹预测:输入历史若干帧位置,输出未来短时路径,自动驾驶、机器人行人预判最常用;
  2. 无条件轨迹生成:直接批量生成大量人类移动 GPS 序列,用来扩充数据集、仿真;
  3. 条件轨迹生成:给定起点终点、时间、出行目的、区域地图,生成满足约束的路线;
  4. 轨迹补全 / 插值:修复 GPS 丢点、稀疏采样带来的缺失片段;
  5. 多智能体协同建模:同时刻画一群人互相避让、跟随的社交交互行为。

三、常用数据集与评测指标

  • 行人局部轨迹(摄像头视角):ETH、UCY;
  • 城市 GPS 出行轨迹:GeoLife、Porto 出租车轨迹、Gowalla 签到;
  • 评测指标:平均位移误差 (ADE)、最终位移误差 (FDE)、分布相似度(JS 散度)、路网合规率、碰撞率。

四、领域现存关键挑战

  1. 物理与路网约束:模型生成的点经常穿墙、穿越建筑物、速度突变,不符合真实交通规则;
  2. 语义缺失:只学坐标,不知道这次出行是通勤、购物还是接送,意图不可控;
  3. 泛化难题:在 A 城市数据训练好,换到另一个城市、陌生路网效果大幅下跌;
  4. 多智能体交互建模:人群拥挤、避让、结伴这些社交行为很难稳定复现;
  5. 隐私与数据:真实轨迹自带用户敏感信息,大规模标注、公开数据很少。

五、未来研究方向

  • 融合路网、POI、时间语义的条件扩散生成模型;
  • 轨迹预训练基础模型,支持跨城市、跨任务迁移;
  • 物理引擎、交通规则硬约束嵌入生成过程;
  • 文本、自然语言指令驱动的轨迹生成;
  • 联邦学习、差分隐私方案,在保护隐私前提下训练轨迹模型。

【相关 FAQ】

问题 1:深度学习人类轨迹建模与生成里面,轨迹预测和轨迹生成是一回事吗?

回答 1:不是,深度学习人类轨迹建模与生成里,轨迹预测一般输入一段历史轨迹,预测接下来一小段路径;轨迹生成偏向合成完整出行轨迹,支持从零生成或者按条件批量产出,二者目标不一样。

问题 2:深度学习人类轨迹建模与生成,主要可以用在哪些落地场景?

回答 2:深度学习人类轨迹建模与生成可以用于自动驾驶行人轨迹预判、服务机器人避障、城市交通仿真、人流模拟、应急疏散推演,也可以合成虚拟轨迹补充真实数据,规避轨迹隐私问题。

问题 3:扩散模型做深度学习人类轨迹建模与生成相比 GAN 有什么优势?

回答 3:扩散模型做深度学习人类轨迹建模与生成生成的轨迹分布更贴近真实数据,不容易出现 GAN 常见的模式崩溃,缺点是采样速度慢,想要精准满足地图、出行意图这类条件约束比较难。

问题 4:深度学习人类轨迹建模与生成怎么评判生成出来的轨迹好不好?

回答 4:深度学习人类轨迹建模与生成会用 ADE、FDE 衡量点位误差,用 JS 散度对比真实轨迹和生成轨迹整体分布,还要额外校验路网合规率、行人碰撞率、速度是否符合人类移动规律。

【参考资料】

[2026-11-22](A Survey on Deep Learning for Human Trajectory Modeling and Generation|深度学习驱动的人类轨迹建模与生成综述)arXiv

[2026-11-22](深度学习人类轨迹建模与生成综述解读:从预测到生成式仿真)阿里云开发者社区

[2026-08-10](Trajectory Diffusion Models: A Review on Conditional Human Mobility Generation)arXiv

[2026-05-17](轨迹基础模型:面向城市移动大数据的预训练范式)计算机学报

[2025-06-14](Multi-Agent Human Trajectory Prediction: Benchmark and Method Survey)arXiv

【免责声明】

本文内容整理自公开综述文献,深度学习人类轨迹建模与生成各类模型效果受数据集、地图信息、约束条件、评价指标影响;合成轨迹仅用于仿真和算法实验,不能直接等同于真实人类出行行为;内容仅作学术方向参考,不构成项目选型、工程落地的唯一依据。

今日大家都在搜的词: