Plan-to-Synthesis: Cross-City Human Mobility Generation via Semantic Latent Flow Matching
Aggiunta all'archivio di AIChronos il (numero del 26 settembre 2026 ricostruito)· fonte del · Zhoufu Wang, Baoshen Guo, Zhiqing Hong, Junyi Li, Kailai Sun, Heye Huang
SeMoFlow è un framework per la generazione di traiettorie di mobilità umana basato sul matching dei flussi latenti (latent Flow Matching). Il modello codifica POI eterogenei provenienti da diverse città in uno spazio rappresentazionale condiviso utilizzando Semantic IDs gerarchici, dove i prefissi condivisi catturano semantica trasferibile e i codificatori successivi affinano la rappresentazione verso POI specifici. Adotta un paradigma di generazione gerarchico 'plan-to-synthesis': un pianificatore autoregressivo genera pattern semantici grossolani mentre una realizer basata su flow matching sintetizza latenti fini, che vengono infine decodificati in POI concreti.
- Utilizzo di Semantic IDs gerarchici per mappare POI eterogenei da diverse città in uno spazio rappresentazionale condiviso cross-city.
- Implementazione del paradigma 'plan-to-synthesis' combinando un pianificatore autoregressivo per pattern grossolani e flow matching per latenti fini.
- Superiorità nella fedeltà delle traiettorie rispetto alle baseline esistenti, preservando al contempo i motivi di mobilità specifici della città.
- Capacità supportata sia per la generazione congiunta multi-città che per il trasferimento efficace tra diverse aree geografiche.
- Riduzione dei costi computazionali rispetto ai modelli basati su LLM pur mantenendo prestazioni elevate nella generazione a lungo termine.
Perché conta. ['Offre un approccio scalabile e efficiente per la sintesi di dati geospaziali, cruciale per addestrare agenti autonomi che operano in contesti urbani multipli senza richiedere fine-tuning estensivo per ogni città.', 'Permette a sviluppatori focalizzati su AI locale o risorse limitate di generare traiettorie realistiche e diversificate superando i limiti dei modelli LLM tradizionali troppo costosi per orizzonti temporali lunghi.']
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.