Denk na over Trajecten: Gebruikmaken van Videogeneratie om GPS-trajecten te reconstrueren uit Cellulaire Signalisatie

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

March 27, 2026

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

cs.AI

Samenvatting

Mobiele apparaten communiceren continu met cellulaire basisstations, wat enorme hoeveelheden signaleringsrecords genereert die een brede dekking bieden voor het begrijpen van menselijke mobiliteit. Dergelijke records bieden echter alleen grove locatie-informatie (bijvoorbeeld identifiers van de bedienende cel) en beperken daardoor hun directe gebruik in toepassingen die hoogwaardige GPS-trajecten vereisen. Dit artikel bestudeert het Sig2GPS-probleem: het reconstrueren van GPS-trajecten uit cellulaire signalering. Geïnspireerd door domeinexperts die vaak het signaleringsspoor op de kaart leggen en de bijbehorende GPS-route schetsen, wordt Sig2GPS – in tegenstelling tot conventionele oplossingen die afhankelijk zijn van complexe, meerfasige technische pijplijnen of coördinaten regresseren – herkaderd als een beeld-naar-video-generatietaak die rechtstreeks in het visuele kaartdomein opereert: signaleringssporen worden weergegeven op een kaart, en een videogeneratiemodel wordt getraind om een continu GPS-pad te tekenen. Om dit paradigma te ondersteunen, wordt een gekoppelde dataset van signalering-naar-trajectvideo's geconstrueerd om een open-source videomodel te fine-tunen, en wordt een trajectbewuste, op reinforcement learning gebaseerde optimalisatiemethode geïntroduceerd om de generatiefideliteit te verbeteren via beloningen. Experimenten op grootschalige real-world datasets tonen substantiële verbeteringen ten opzichte van sterke technische en op leren gebaseerde basislijnen, terwijl aanvullende resultaten voor volgende GPS-voorspelling schaalbaarheid en overdraagbaarheid tussen steden aantonen. Over het geheel genomen suggereren deze resultaten dat visuele kaartvideogeneratie een praktische interface biedt voor trajectdatamining door directe generatie en verfijning van continue paden onder kaartbeperkingen mogelijk te maken.

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.