Ripensare le Traiettorie: Sfruttare la Generazione Video per Ricostruire Traiettorie GPS a Partire da Segnalazioni Cellulari

Think over Trajectories: Leveraging Video Generation to Reconstruct GPS Trajectories from Cellular Signaling

March 27, 2026

Autori: Ruixing Zhang, Hanzhang Jiang, Leilei Sun, Liangzhe Han, Jibin Wang, Weifeng Lv

cs.AI

Abstract

I dispositivi mobili interagiscono continuamente con le stazioni base cellulari, generando volumi massicci di record di segnalazione che forniscono una copertura ampia per la comprensione della mobilità umana. Tuttavia, tali record offrono solo indicazioni di localizzazione approssimative (ad esempio, identificatori di cella di servizio) e quindi ne limitano l'uso diretto in applicazioni che richiedono traiettorie GPS ad alta precisione. Questo articolo studia il problema Sig2GPS: ricostruire traiettorie GPS dalla segnalazione cellulare. Ispirati dal fatto che gli esperti del dominio spesso sovrappongono la traccia di segnalazione sulla mappa e abbozzano il corrispondente percorso GPS, a differenza delle soluzioni convenzionali che si basano su complesse pipeline ingegneristiche multi-stadio o sulla regressione delle coordinate, Sig2GPS viene riformulato come un compito di generazione immagine-video che opera direttamente nel dominio visivo della mappa: le tracce di segnalazione vengono renderizzate su una mappa, e un modello di generazione video viene addestrato per disegnare un percorso GPS continuo. Per supportare questo paradigma, viene costruito un dataset video accoppiato segnalazione-traiettoria per mettere a punto un modello video open-source, e viene introdotto un metodo di ottimizzazione basato sul reinforcement learning con consapevolezza della traiettoria per migliorare la fedeltà della generazione tramite ricompense. Esperimenti su dataset reali su larga scala mostrano miglioramenti sostanziali rispetto a baseline ingegnerizzate e basate su apprendimento robuste, mentre risultati aggiuntivi sulla predizione del GPS successivo indicano scalabilità e trasferibilità inter-città. Nel complesso, questi risultati suggeriscono che la generazione video nel dominio visivo della mappa fornisce un'interfaccia pratica per il data mining delle traiettorie, consentendo la generazione diretta e l'affinamento di percorsi continui sotto i vincoli della mappa.

English

Mobile devices continuously interact with cellular base stations, generating massive volumes of signaling records that provide broad coverage for understanding human mobility. However, such records offer only coarse location cues (e.g., serving-cell identifiers) and therefore limit their direct use in applications that require high-precision GPS trajectories. This paper studies the Sig2GPS problem: reconstructing GPS trajectories from cellular signaling. Inspired by domain experts often lay the signaling trace on the map and sketch the corresponding GPS route, unlike conventional solutions that rely on complex multi-stage engineering pipelines or regress coordinates, Sig2GPS is reframed as an image-to-video generation task that directly operates in the map-visual domain: signaling traces are rendered on a map, and a video generation model is trained to draw a continuous GPS path. To support this paradigm, a paired signaling-to-trajectory video dataset is constructed to fine-tune an open-source video model, and a trajectory-aware reinforcement learning-based optimization method is introduced to improve generation fidelity via rewards. Experiments on large-scale real-world datasets show substantial improvements over strong engineered and learning-based baselines, while additional results on next GPS prediction indicate scalability and cross-city transferability. Overall, these results suggest that map-visual video generation provides a practical interface for trajectory data mining by enabling direct generation and refinement of continuous paths under map constraints.