LLM으로 구동되는 동작과 운동학적 제약을 고려한 이동 이상 생성

인간의 이동 경로 이상은 공간 데이터 마이닝을 발전시키기 위해 매우 중요하지만, 실제 연구는 ground-truth 데이터 세트의 부족으로 심각하게 제한되고 있다. 여러 실용적인 및 시뮬레이션된 인간 이동 경로 집합이 존재한다고 하더라도, 이 데이터 세트들은 정상적인 이동 패턴만 캡처하고 이상을 주석으로 붙이지 않는다. 이러한 특정한 부족은 이상적인 사건의 통계적 희소성에 의해 직접적으로 유발되며, 관찰적인 일반적인 방법의 khả용성을 제한한다. 이러한 과제를 더욱 복잡하게 만드는 것은 대규모 이동성 데이터의 체계적인 수집이 엄격한 비용과 강력한 개인 정보 보호 규제에 의해 엄격하게 제한되는 것이다. 이러한 기본적인 제한을 극복하고 신뢰할 수 있는 인간 이동 경로 이상 데이터 세트를 생성하기 위해, 우리는 실질적인 이상 이동 경로를 대규모로 합성하는 데 사용되는 종단-끝(end-to-end) 생성 프레임워크를 제안한다. 우리의 아키텍처는 단순한 시뮬레이션 이동 데이터와 복잡한 실세계 물리적 제약 사이의 간극을 메우기 위해, 기초 시뮬레이션 이동 경로에 직접적으로 작동한다. 우리는 Large Language Model (LLM) agent를 사용하여 의미 있는 행동 이상을 시스템적으로 주입한다. 예를 들어, 비정상적인 out-of-distribution check-ins와 skipped routine visits를 포함한다. 또한, 이러한 LLM agent 수정된 staypoints 간의 물리적 전환을 재계산하기 위해, 시스템은 map-constrained routing reconstruction을 사용한다. 더불어, simulation-to-reality gap을 좁히기 위해, 우리는 환경 및 위치에 따른 변수를 매개 변수로 사용하는 context-aware spatial noise model을 사용하여, 이 결과 이동 경로에 다양한 GPS 센서 감쇠를 정확하게 시뮬레이션한다.