Neuer Pathlet-VAE liefert robuste Trajektorien-Generierung

Die Generierung von Bewegungsdaten gewinnt zunehmend an Bedeutung für datenschutzfreundliche Mobilitätsanalysen und ortsbasierte Dienste. Trotz der erfolgreichen Anwendung von Deep‑Learning‑ und generativen KI‑Methoden bleiben Robustheit und Interpretierbarkeit dieser Modelle weitgehend unerforscht, was ihre Einsatzmöglichkeiten in realen, verrauschten Umgebungen einschränkt.

Um diesem Problem zu begegnen, wurde ein neues generatives Modell entwickelt, das die Struktur urbaner Trajektorien nutzt. Es basiert auf einer Pathlet‑Repräsentation, bei der Trajektorien als Binärvektoren dargestellt werden, die mit einem lernbaren Wörterbuch von Trajektoriensegmenten verknüpft sind. Das Modell kombiniert einen Variational Autoencoder (VAE) mit einem linearen Decoder in einem probabilistischen Graphen, wodurch gleichzeitig die latente Einbettung der Pathlets und das Wörterbuch selbst gelernt werden.

Eine bedingte Variante des Ansatzes ermöglicht die Erzeugung maßgeschneiderter Trajektorien unter Berücksichtigung von zeitlichen und räumlichen Einschränkungen. In Tests mit zwei realen Datensätzen zeigte das Modell eine deutliche Leistungssteigerung von 35,4 % bzw. 26,3 % gegenüber etablierten Baselines, selbst bei stark verrauschten Daten.

Die erzeugten Trajektorien lassen sich zudem problemlos in verschiedene nachgelagerte Aufgaben einbinden, was die Vielseitigkeit und Vertrauenswürdigkeit des Modells unterstreicht. Diese Fortschritte markieren einen wichtigen Schritt hin zu robusteren und nachvollziehbareren Trajektorien‑Generierungslösungen für die urbane Mobilitätsforschung.