M-STAR: Mehrstufige Spatiotemporale Autoregression für menschliche Mobilität

Die Modellierung menschlicher Mobilität ist ein entscheidender Faktor für Bereiche wie Verkehrsplanung und Epidemiemodellierung. Mit dem Aufkommen von KI-generierten Inhalten (AIGC) werden zunehmend autoregressive und Diffusionsmodelle zur Erzeugung synthetischer Trajektorien eingesetzt. Diese Ansätze können zwar ein‑Tages‑Trajektorien erzeugen, stoßen jedoch bei längeren Zeiträumen – etwa Wochen‑Trajektorien – an Effizienz‑Grenzen und fehlen an einer expliziten, mehrstufigen spatiotemporalen Modellierung.

In der neuen Studie wird das Framework M-STAR vorgestellt, das lange Trajektorien durch einen schrittweisen, coarse‑to‑fine‑Prozess erzeugt. Dabei kombiniert M‑STAR einen Multi‑Scale Spatiotemporal Tokenizer, der hierarchische Mobilitätsmuster codiert, mit einem Transformer‑Decoder, der autoregressiv die nächste Skalenstufe vorhersagt. Dieser Ansatz ermöglicht eine präzisere und schnellere Generierung von Mobilitätsdaten.

Experimentelle Tests auf zwei realen Datensätzen zeigen, dass M‑STAR die Genauigkeit der erzeugten Trajektorien gegenüber bestehenden Methoden deutlich verbessert und gleichzeitig die Rechenzeit reduziert. Die Autoren stellen die Daten und den Code unter https://github.com/YuxiaoLuo0013/M-STAR zur Verfügung, sodass Forscher und Praktiker die Technologie leicht übernehmen können.