全局检索与知识浏览

大规模GPS轨迹数据为人类移动性提供了丰富的观测信息，但因缺乏个体层面的真实标签、GPS噪声导致的空间不确定性以及兴趣点（POI）覆盖不全，且不同出行目的在行为模式上存在根本差异，故对检测出的停留点分配出行目的仍具挑战性。本文提出一种弱监督框架，该框架整合了邻域级POI语义区域与距离加权空间似然，并针对必要性活动与非必要性活动采用差异化推断策略，同时引入多阶段帕累托优化，在无需标注标签的前提下，联合最小化推断结果与家庭出行调查统计数据之间的分布差异，并最大化推断可靠性。在洛杉矶超过8100万个停留点（staypoint）上的评估表明，相较于可比基线方法，该框架分别将活动类型频率、起始时间及持续时间的Jensen-Shannon距离（JSD）降低了23%、48%和12%。所提方法为从原始GPS轨迹生成语义标注的移动性数据提供了一条可扩展且具备不确定性感知能力的路径，适用于交通需求建模与交通政策分析。

本文提供了一组公开可用的微观车辆轨迹（MVT）数据集，该数据集通过无人机（UAV）在异质性、区域化的城市交通条件下采集。传统路边视频采集方法在高密度混合交通场景中常因遮挡、视场角受限及车辆运动不规则等问题而失效。基于无人机的录制方式提供了俯视视角，可有效缓解上述问题，并更充分地捕捉空间与时间动态特征。本文所述数据集利用Data from Sky（DFS）平台提取，并在前期研究中通过人工计数、区间平均速度及浮动车轨迹进行了验证。每个数据集包含以每秒30帧分辨率记录的时间戳车辆位置、速度、纵向与横向加速度以及车辆分类信息。数据采集于印度国家首都辖区六个路段中部位置，覆盖多样化的交通组成与密度水平。探索性分析揭示了若干关键行为模式，包括车道保持偏好、速度分布特征以及异质性与区域化交通环境中典型的横向机动行为。本数据集旨在为全球研究界提供资源，以支持仿真建模、安全评估及区域化交通条件下的行为研究。通过公开发布这些实证数据集，本工作为研究人员提供了独特机会，以开发、测试并验证更能准确表征复杂城市交通环境的模型。

The importance of mobile phone GPS trajectory data is widely recognized across many fields, yet the use of real data is often hindered by privacy concerns, limited accessibility, and high acquisition costs. As a result, generating pseudo-GPS trajectory data has become an active area of research. Recent diffusion-based approaches have achieved strong fidelity but remain limited in spatial scale (small urban areas), transportation-mode diversity, and efficiency (requiring numerous sampling steps). To address these challenges, we introduce TrajFlow, which to the best of our knowledge is the first flow-matching-based generative model for GPS trajectory generation. TrajFlow leverages the flow-matching paradigm to improve robustness and efficiency across multiple geospatial scales, and incorporates a trajectory harmonization and reconstruction strategy to jointly address scalability, diversity, and efficiency. Using a nationwide mobile phone GPS dataset with millions of trajectories across Japan, we show that TrajFlow or its variants consistently outperform diffusion-based and deep generative baselines at urban, metropolitan, and nationwide levels. As the first nationwide, multi-scale GPS trajectory generation model, TrajFlow demonstrates strong potential to support inter-region urban planning, traffic management, and disaster response, thereby advancing the resilience and intelligence of future mobility systems.

车联万物（V2X）通信系统依赖于既包含车辆轨迹数据、又涵盖具备真实保真度的无线网络参数的数据集，以支撑预测与优化模型的构建。当前存在一项极为关键的研究基础设施缺口：公开可用的数据集通常仅覆盖移动性或网络参数二者之一，极少提供将两者统一整合的单一视图。本文提出MINT-V2X，该数据集通过耦合SUMO交通动力学仿真与OMNeT++/Simu5G网络仿真生成。其验证框架由14项标准化测试构成，依据3GPP Release 14（C-V2X）、ETSI标准及香农容量理论设计。最终数据集包含3小时城市交通仿真中1,386辆车辆与15个路侧单元（RSU）产生的987万条同步数据点。我们通过网络指标相关性（CQI-SINR：0.993；SINR-PDR：0.946）验证了严格的算法一致性。最后，我们通过RSU负载预测案例研究展示了该数据集的价值：相比仅依赖网络历史数据的基线方法，引入轨迹数据可显著提升预测性能。该数据集、实验代码及完整的SUMO配置文件均已开源至GitHub仓库，以支持在其他仿真平台上的复现。

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

出版日期：2026年9月；来源：《交通运输研究C辑：新兴技术》（Transportation Research Part C: Emerging Technologies），第190卷；作者：赵培林、黄义一（Yiik Diew Wong）、朱峰（Feng Zhu）

随着城市化进程加速及交通需求增长，混合交通流中弱势道路使用者（Vulnerable Road Users, VRUs，如行人与骑行者）的安全问题日益突出，亟需高精度、多样化的轨迹数据以支撑自动驾驶系统的研发与优化。然而，现有数据集在刻画VRU行为的多样性与动态性方面存在不足，难以满足复杂交通环境下的研究需求。为弥补这一缺口，本研究构建了OnSiteVRU数据集，覆盖交叉口、路段及城中村等多种场景，提供机动车、电动自行车与人力自行车的轨迹数据，总计约17,429条轨迹，时间分辨率达0.04秒。该数据集融合了俯视视角下的自然驾驶数据与车载实时动态检测数据，并整合交通信号灯、障碍物及实时地图等环境信息，支持交互事件的全面重建。结果表明，VRU_Data在VRU密度与场景覆盖度方面优于传统数据集，更全面地表征了VRU的行为特征，为交通流建模、轨迹预测及自动驾驶虚拟测试提供了关键支撑。该数据集已公开发布，可通过以下链接下载：https://www.kaggle.com/datasets/zcyan2/mixed-traffic-trajectory-dataset-in-from-shanghai。

城市轨迹生成是交通仿真、城市规划与移动性分析的一项基础任务。然而，由于现有研究常采用不同的数据集、预处理流程、轨迹表示方法及评估指标，轨迹生成方法间的系统性比较仍十分困难。这种碎片化使得难以判断所报告的性能差异究竟源于生成机制本身，还是源于实验协议的不一致。为解决此问题，我们提出 CityTrajBench——一个面向城市尺度车辆轨迹生成的统一基准框架与协议。CityTrajBench 在统一设定下标准化了数据接入、轨迹归一化、特征构建、模型适配、地图感知后处理、模型选择及多层级评估。该基准支持多种异构生成器，包括统计基线模型、基于变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型（diffusion）及流匹配（flow-matching）的模型，并在三个真实城市轨迹数据集上对其进行评估。基准评估维度涵盖全局空间真实性、行程级分布保真度、轨迹级几何相似性、条件移动一致性以及计算效率。实验揭示了不同模型族间的显著权衡：DiffTraj 在轨迹级几何保真度上表现最优；DiffRNTraj 在结构敏感的全局真实性方面具有竞争力；TrajFlow 则在真实性、质量、条件一致性与效率之间实现了良好平衡。与此同时，一个简单的马尔可夫基线模型在粗粒度行程统计与局部运动统计上仍具竞争力。这些发现表明，城市轨迹生成质量本质上是多目标的，不存在单一模型能在所有评估准则上全面占优，且 CityTrajBench 提供了一个可复现、可扩展、可比较的评估平台。

准确理解电动汽车（EV）驾驶员行为对于长期基础设施规划、电网管理及评估下游经济影响至关重要，但目前仍缺乏个体层面的EV出行数据。本文构建了一个可扩展的分析框架，基于被动采集的高分辨率移动轨迹数据，覆盖美国四大主要都市区逾76万名驾驶员，推断EV拥有状况与充电行为。我们依据驾驶员对充电站与加油站的访问模式差异、访问频次及日常出行特征识别潜在EV驾驶员，并利用各邮政编码区域（zip code）的汇总EV注册统计数据校准推断群体规模。所获EV群体在邮政编码层级上与官方注册数据高度吻合，且其充电模式与独立的充电桩级基准数据集一致，从而为推断结果提供了外部验证。依托该推断群体，我们重构充电事件及其关联的活动模式，考察EV驾驶员如何与周边城市设施互动。相较于非EV驾驶员，EV驾驶员在充电期间对邻近咖啡馆与餐厅的访问率系统性更高，揭示出显著的经济溢出效应；此外，我们发现EV驾驶员存在行程捆绑（trip bundling）行为：在充电日，其单位时间与单位距离内访问的兴趣点（POI）数量多于非充电日。此类模式无法从传统充电会话数据中识别，因其仅记录充电事件本身，缺乏行为背景信息。本研究结果表明，移动数据有望支撑对EV驾驶员‘离桩需求’（off-plug needs）开展更丰富、更具行为基础的理解，为优化充电基础设施部署提供依据。

城市轨迹在建模城市动态及支撑各类智慧城市应用中起着关键作用。然而，隐私问题限制了大规模、高质量轨迹数据集的获取。轨迹生成通过合成逼真数据提供了一种有前景的替代方案，以缓解隐私风险。但现有方法未能显式捕捉出行模式，且仅能在单一条件下生成固定长度的轨迹。为解决这些局限，我们提出\textbf{HTP}，即分层生成（\textbf{H}ierarchical）出行模式（\textbf{T}ravel patterns），再利用大语言模型（LLMs）生成GPS点（\textbf{P}oints），而非直接生成GPS点。我们首先设计一种面向轨迹的残差量化变分自编码器（RQ-VAE），以由粗到细的方式将微观级GPS轨迹量化为紧凑的宏观级出行模式标记（token），这些标记可捕获丰富的路段空间不规则性，例如由交通状况引起的点密度变化。随后，我们将出行模式标记扩展至LLM词表中，以对齐轨迹表示与LLM输入，并采用监督微调（SFT）使LLM适配轨迹生成任务，从而支持在多种条件下生成出行模式序列。在两个真实世界数据集上的大量实验表明，HTP在生成质量上平均优于最强基线29.78\%。代码开源地址为：https://github.com/slzhou-xy/HTP。

轨迹计算是一个关键研究领域，涵盖轨迹数据管理与挖掘，在位置服务、城市交通和公共安全等实际应用中具有重要作用，因而受到广泛关注。传统方法主要依赖简单的时空特征，面临计算复杂、可扩展性有限以及难以适应现实世界复杂性等挑战。本文全面综述了轨迹计算从深度学习到近期大语言模型（LLM）阶段的发展脉络与最新进展。首先，我们定义轨迹数据，并简要介绍常用的深度学习模型；继而系统梳理深度学习在轨迹管理（预处理、存储、分析与可视化）与轨迹挖掘（轨迹相关预测、轨迹相关推荐、轨迹分类、行程时间估计、异常检测及移动性生成）中的应用。此外，我们探讨了以基础模型（foundation models）和大语言模型为代表的大型模型在轨迹计算中的新兴研究方向与最新进展，这些进展有望重塑下一代轨迹计算范式。文中还总结了典型应用场景、公开数据集及工具包。最后，我们归纳了当前轨迹计算研究面临的主要挑战，并提出未来研究方向。相关论文与开源资源已整理汇总，并持续更新于：https://github.com/yoshall/Awesome-Trajectory-Computing。

城市交通管理需要能够同时预测未来状态、检测异常并采取安全校正措施的系统，且需提供可靠性保证。本文提出 STREAM-RL，一种统一框架，包含三项新算法贡献：（1）PU-GAT+，一种不确定性引导的自适应共形预测器，利用预测不确定性通过置信度单调注意力机制动态重加权图注意力，实现分布无关的覆盖保证；（2）CRFN-BY，一种共形残差流网络，借助归一化流建模不确定性归一化的残差，并在任意依赖结构下采用 Benjamini-Yekutieli 方法控制错误发现率（FDR）；（3）LyCon-WRL+，一种不确定性引导的安全世界模型强化学习智能体，具备李雅普诺夫稳定性证书、经认证的 Lipschitz 界限，以及不确定性传播的想象 rollout。据我们所知，这是首个从预测、经异常检测、至安全策略学习全程传播经校准不确定性并提供端到端理论保证的框架。在多个真实城市交通轨迹数据集上的实验表明，STREAM-RL 实现了 91.4% 的覆盖效率，在已验证依赖结构下将 FDR 控制在 4.1%，安全率提升至 95.2%（标准 PPO 为 69%），同时获得更高奖励，端到端推理延迟为 23 毫秒。

Transportation mode detection is an important topic within GeoAI and transportation research. In this study, we introduce SpeedTransformer, a novel Transformer-based model that relies solely on speed inputs to infer transportation modes from dense smartphone GPS trajectories. In benchmark experiments, SpeedTransformer outperformed traditional deep learning models, such as the Long Short-Term Memory (LSTM) network. Moreover, the model demonstrated strong flexibility in transfer learning, achieving high accuracy across geographical regions after fine-tuning with small datasets. Finally, we deployed the model in a real-world experiment, where it consistently outperformed baseline models under complex built environments and high data uncertainty. These findings suggest that Transformer architectures, when combined with dense GPS trajectories, hold substantial potential for advancing transportation mode detection and broader mobility-related research.

在智慧城市交通背景下，实现出租车供给与乘客需求的高效匹配需实时融合城市交通路网数据与移动性模式。传统出租车热点预测模型通常仅依赖历史需求数据，忽视了交通拥堵、道路事件及公共活动等动态影响因素。本文提出一种面向交通感知的、基于图的强化学习（RL）框架，用于大都市环境下的最优出租车布点。该框架将城市道路网络建模为图结构：交叉口为节点，路段为边；节点属性包含历史需求、事件邻近度以及从实时交通API获取的拥堵评分。利用图神经网络（GNN）嵌入对交通网络中的时空依赖关系进行编码，并将其输入Q-learning智能体以推荐最优出租车热点。奖励机制联合优化乘客等待时间、司机行驶距离与拥堵规避目标。在基于德里真实地理边界与历史网约车请求模式生成的模拟出租车数据集上的实验表明，相较于基线随机选择方法，所提模型使乘客等待时间降低约56%，行驶距离减少38%。该方法可适配多模态交通系统，并能集成至智慧城市平台，支持城市出行的实时优化。

高保真合成GPS轨迹的生成在交通、城市规划及假设情景（what-if scenario）仿真等应用中日益重要，尤其在隐私问题限制真实移动数据获取的背景下。现有轨迹生成模型在效率与对路网拓扑结构的保真度之间面临权衡：连续空间方法可实现快速生成，但忽略路网结构；而拓扑感知方法则依赖基于搜索的自回归解码，导致生成速度受限。本文提出TrajDLM，一种基于分块扩散语言模型（block diffusion language model）的拓扑感知轨迹生成框架，以弥合该鸿沟。TrajDLM将轨迹建模为离散道路路段序列，融合了用于高效去噪的分块扩散主干网络、来自路网编码器的拓扑感知嵌入，以及拓扑约束采样机制，从而确保生成轨迹的连贯性与真实性。在三个城市尺度数据集上的实验表明，TrajDLM在细粒度局部相似性指标上表现优异，同时生成速度较先前工作最高提升2.8倍，并展现出强大的零样本跨域迁移能力（包括未见过的交通方式）。结果表明，分块式离散扩散是一种可扩展的、兼顾精度与效率的轨迹生成方法。代码开源地址：https://github.com/cruiseresearchgroup/TrajDLM/

城市交通管制政策被越来越多地用于应对交通拥堵、排放及可达性问题，但由于城市交通系统的社会技术复杂性，其影响难以评估。近年来，数据可得性和计算能力的提升为交通政策设计提供了基于模型的仿真决策支持新途径。本文提出一种新型仿真范式，用于事前评估交通管制政策的直接与间接影响，涵盖交通状况、交通相关效应及经济可达性等方面。该方法整合了多层城市交通模型，包括反映交通流与排放的物理层，以及捕捉行为响应与政策变化适应性的社会层。利用真实世界数据构建现状情景，将政策备选方案与行为假设作为模型参数，生成多种“如果”情景。通过分析政策干预引起的模拟结果变化，该框架支持对不同情景进行系统性比较。案例研究展示了该方法在评估广泛城市交通限制方案引入影响方面的应用。结果表明，该框架能够探索不同的监管设计与用户响应，支持对城市交通政策进行知情且前瞻性的评估。

理解城市移动模式对设计高效且可持续的交通系统至关重要。受帕多瓦市及其周边地区实际应用的启发，我们提出了一种新颖的统计框架，用于分析和聚类基于电话数据生成的移动轨迹。我们引入一种成分表示法来刻画个体移动行为，该方法将设备定位的不确定性与周围道路网络信息相结合，在每个时间点编码与观测位置相容的不同道路类型所占比例。这一表述自然地纳入了测量不确定性，并使轨迹演化于单纯形空间中。为建模此类数据，我们构建了一个面向成分时间序列的状态空间框架，同时刻画电话定位误差与潜在移动过程的时间动态特性。在此表示基础上，我们提出一种基于状态空间模型混合分布的模型驱动聚类方法，以识别具有相似演化特征的轨迹群组。该方法可将个体移动行为在群体层面聚合为可解释的移动模式。案例研究结果表明，该方法能够有效揭示有意义的移动行为，其发现对政策制定者具有潜在参考价值。

智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的约定，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个围绕五个相互关联层级（硬件层、数据层、模型层、评估层与原型层）构建的交通研究统一平台，各层级均配备标准化模式、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为规范格式，包含朝向边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 的数字孪生地图与标定后的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间减少 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开。

网约车已成为现代城市交通的重要组成部分，并在计算机科学、交通运输学与管理科学等领域受到广泛关注。该领域涵盖诸多问题，例如司机重定位、动态定价以及车辆充电或加油调度等，但其核心挑战仍为订单分配与行程拼单，这直接影响城市交通效率与碳排放。尽管该问题至关重要，现有仿真平台通常针对特定运营研究定制，或与某一派单算法深度耦合，极少提供标准化、利于学习的接口。因此，多数研究人员仍需从零构建定制化环境，严重损害了研究的可复现性与公平比较，同时造成大量重复性工作。为填补这一空白，我们提出 RideGym——首个面向基于多智能体强化学习（MARL）的订单派发、专为真实网约车系统设计的开源标准化 Gym 风格接口。RideGym 将环境与派单算法完全解耦，使各类基于学习的方法与基于模型的方法均可在相同且完全明确的条件下开发与对比。它支持基于真实路网的城市级高效大规模仿真，并提供车辆属性、订单规格及自动最短路径路由等灵活配置选项。我们通过复现多个基线方法验证了 RideGym 的有效性，并证明其具有高效率：在所有方法下，涉及数千辆车辆与数万订单的一小时仿真可在一分钟内完成。此外，我们发现探索噪声的选择会显著影响算法性能及其相对排序。

智能交通系统（ITS）日益依赖来自路侧摄像头、无人机影像、激光雷达（LiDAR）及车载传感器等异构数据源的数据，然而这些数据源之间缺乏统一的数据标准、模型接口与评估协议，严重制约了研究成果的可复现性、跨数据集基准测试能力以及跨区域迁移能力。现有轨迹数据集在坐标系、目标表征方式和元数据字段等方面采用互不兼容的规范，迫使研究人员为每个数据集与仿真器组合单独构建定制化预处理流程。为应对上述挑战，我们提出 Ozone——一个面向交通研究的统一平台，其架构围绕五个相互关联的层级展开：硬件层（Hardware）、数据层（Data）、模型层（Model）、评估层（Evaluation）与原型层（Prototype），每一层均配备标准化模式（schema）、自动化转换流水线及可互操作接口。在首版发布中，数据模式将四个轨迹数据集（NGSIM、highD、CitySim 和 UTE）统一为一种规范格式，包含朝向型边界框（oriented bounding boxes）、运动学变量及预计算的代理安全指标（surrogate safety measures）。基于 CARLA 构建的数字孪生地图与经校准的交通模型共同构成集成式基准测试环境。在人因研究、交通场景生成与安全关键建模等案例研究中，Ozone 将实验搭建时间缩短 85%，安全模型的跨城市迁移效率达 91%，跨数据集可复现性提升至方差控制在 3% 以内。源代码与数据集均已公开发布。

理解车辆在路网中的运动行为与诸多实际及理论问题密切相关。尽管近期研究聚焦于车辆运动过程中最小化的成本类型，但车辆如何运动以实现该成本最小化仍鲜有探索。本研究基于大规模真实路网中个体车辆轨迹数据，识别车辆的成本最小化运动模式，并分析路网结构对这类运动的影响。我们发现车辆运动呈现三个阶段：行程起始、中间与结束阶段。在起始与结束阶段，车辆绕行更多、方向记忆衰减更快、行驶速度低于中间阶段；而在中间阶段，车辆绕行更少、方向记忆保持更久、速度高于起始与结束阶段。此外，起始与结束阶段的绕行与速度模式相似，仅运动方向相反。为解释这些模式，我们提出一种双层网络模型，以模拟真实路网的层次化结构。我们发现，当车辆在该模型网络中以最小化通行时间为目标运动时，其路径倾向于集中于高层级道路，且上述三阶段运动模式得以复现。因此，当车辆在给定起讫点间运动时，必须进入并离开这些高层级道路，从而导致其轨迹偏离相同起讫点间距离最短的路径——尤其在行程起始与结束阶段。我们的结果揭示了看似高度多样化的个体车辆运动背后所共有的模式，表明这些模式源于车辆对路网层级化特征的利用。

理解骑行者对建成环境特征的偏好，对于促进可持续城市交通与主动出行至关重要。尽管已有研究探讨了骑行者的路径选择，但视觉与非视觉因素如何影响不同出行目的下的路径选择仍不明确；本文通过加拿大蒙特利尔的数据驱动案例研究填补这一空白。非视觉因素包括社会经济因素及二维环境变量，视觉因素则涉及骑行过程中的视觉感知，并利用街景图像进行计算。本研究分为两部分：一部分分析时空信息，以探究骑行行程起讫点间非视觉因素的影响；另一部分则比较最短路径与实际路径之间上述因素分布的差异。研究结果揭示了影响主动骑行选择的时空特征，例如绿化率提高与机动车化程度降低。这些发现可为街道网络规划及基础设施建设提供依据，从而提升主动交通方式的使用水平。

交通仿真对城市公共交通基础设施干预措施的规划至关重要，其依赖于按车辆类型划分的起讫点（OD）数据。现有数据源均存在局限：稀疏分布的收费站传感器可提供准确的分车型车辆计数，而基于蜂窝网络活动的大规模移动性数据虽能捕捉人群聚合流动，却缺乏出行方式的细分，且存在系统性偏差。本研究构建了一个机器学习框架，利用稀疏的收费站计数作为真实值，对蜂窝网络数据进行校正与细分。该模型通过时间与空间特征，学习聚合移动性数据与车辆数据之间的复杂关系；并基于公交线路推断目的地，结合路径分配逻辑，将校正后的流量在OD对之间进行分配。该方法应用于挪威特隆赫姆市一处公交场站扩建项目，生成了按车辆长度类别划分的逐小时OD矩阵。结果表明，有限但精确的传感器测量值可用于校正大规模但聚合的移动性数据，从而产出具有实证基础的背景车流估计。此类宏观尺度估计可在目标位置进一步细化为微观尺度分析。该框架提供了一种可推广的方法，用以从蜂窝网络数据生成起讫点数据，从而支持下游任务——例如在数据匮乏情境下开展详尽的交通仿真，辅助城市规划者做出科学决策。

我们提出 SF-LIFE，一个大规模模拟移动数据集，旨在加速交通、移动性与机器学习领域的研究。该数据集包含 3.024 万亿条位置记录，以 1 Hz 频率完整、无噪声地刻画了 50 万名模拟智能体在旧金山湾区路网中为期 70 天的多模态轨迹。数据涵盖：（1）基于人类生活模式的智能体级基于需求的日常行程安排，由智能体仿真模型生成；（2）基于 OpenStreetMap 表示的旧金山路网、整合来自 9 个县逾 40 家公共交通机构数据所生成的精细运动学轨迹。SF-LIFE 在规模与细节上均属前所未有：其轨迹建模依托真实的公共交通基础设施，采用旧金山通用公共交通数据规范（GTFS）数据，并涵盖公交、轨道、自行车、机动车及步行等多种交通方式。针对这一高保真度的旧金山模拟表征，我们提供：（1）标注有交通方式标签的完整轨迹数据；（2）时间采样频率降低的轻量版轨迹数据；（3）描述智能体访问某地之因果活动的活动信息；（4）智能体人口统计学数据；（5）底层 OpenStreetMap 路网与建筑数据。作为首个达到此规模与细节水平的数据集，SF-LIFE 克服了真实世界追踪数据固有的隐私性、噪声与完整性限制，为公共交通优化、人类移动性分析及城市计算等研究提供了稳健且符合伦理规范的数据资源。