SynHAT: Zwei-Stufen-Framework für datenschutzfreundliche Aktivitätsdaten

Human‑Activity‑Traces (HATs) sind unverzichtbar für Mobilitätsmodelle und POI‑Empfehlungen, doch echte, groß angelegte Datensätze sind wegen Datenschutzbedenken kaum verfügbar. Durch die jüngsten Fortschritte in generativer KI eröffnet sich nun die Möglichkeit, realistische und gleichzeitig datenschutzkonforme HATs zu synthetisieren.

Die Synthese von HATs stellt zwei Hauptprobleme dar: Erstens sind die Spuren hochgradig unregelmäßig und dynamisch, mit langen und variablen Zeitintervallen, was die Erfassung komplexer räumlich‑zeitlicher Abhängigkeiten erschwert. Zweitens sind generative Modelle oft rechenintensiv, sodass die Erzeugung von langfristigen, feinkörnigen Spuren ineffizient bleibt.

SynHAT begegnet diesen Herausforderungen mit einem effizienten, coarse‑to‑fine Diffusionsframework. Im ersten Schritt modelliert Coarse‑HADiff die übergeordneten räumlich‑zeitlichen Abhängigkeiten über ein Latent Spatio‑Temporal U‑Net mit dualen Drift‑Jitter‑Zweigen, die sanfte räumliche Übergänge und zeitliche Variationen gleichzeitig erfassen. Der zweite Schritt besteht aus einem dreistufigen Pipeline‑Ansatz: Verhaltenserkennung, Fine‑HADiff – identisch zur Architektur von Coarse‑HADiff – und semantische Ausrichtung, um aus den groben Ausgaben feinkörnige latente Spuren zu generieren.

Umfangreiche Tests zeigen, dass SynHAT die Datenintegrität, die Nutzbarkeit und den Datenschutz gleichermaßen hoch hält, während es gleichzeitig die Rechenkosten deutlich reduziert. Das System demonstriert robuste Leistung über verschiedene Szenarien hinweg und bietet damit eine praktikable Lösung für die sichere und effiziente Synthese von Human‑Activity‑Traces.