ProDiff：基于原型引导的扩散模型实现最小信息量轨迹插补

轨迹数据对于各种应用至关重要，但由于设备限制和多样化的收集场景，其往往存在不完整性。现有的插补方法依赖于稀疏的轨迹或出行信息（如速度）来推断缺失点。然而，这些方法假定稀疏轨迹保留了关键的行为模式，这给数据采集带来了巨大压力，并且忽视了大规模人类轨迹嵌入的潜力。为解决这一问题，我们提出了 ProDiff，这是一种仅使用两个端点作为最小信息的轨迹插补框架。它结合了原型学习来嵌入人类移动模式，并采用去噪扩散概率模型进行稳健的时空重建。通过定制的损失函数进行联合训练，确保了有效的插补。ProDiff 在 FourSquare 上的准确率提高了 6.28%，在 WuXi 上提高了 2.52%，进一步分析表明生成的轨迹与真实轨迹之间的相关性为 0.927，证明了我们方法的有效性。

中国人民解放军国防科技大学系统工程学院首席专家，教授，博士生导师，“对抗性复杂系统智能决策”创新研究群体负责人。主要研究方向为大数据、复杂网络、应急管理等，研究成果广泛应用在地震、台风、疫情等国内外重大突发事件的应急响应中，关于应用移动大数据支撑应急救援的工作被《麻省理工科技评论》列为“全球十大突破性技术”，关于高风险人群网络抽样和统计推断的工作被命名为“吕-估计量”。研究成果发表在Nature、PNAS、Nature Microbiology、Nature Communications、Physics Reports等高水平期刊上，得到《人民日报》、《解放军报》、《科技日报》、《纽约时报》、新华社、BBC等高度正面评价。多次入选全球前2%顶尖科学家榜单，获全球移动大奖（The Global Mobile Awards，GLOMO Awards），国家级教学成果奖二等奖，湖南省高等教育教学成果奖特等奖，深圳市科技进步奖一等奖，教育部高等学校科学研究优秀成果奖（科学技术）二等奖，军队科学技术进步奖二等奖。