摘要

本文介绍了一种基于逻辑程序引导的溯因推理方法，用于生成满足地理位置和时间约束的人工移动轨迹。该方法通过一种新颖的简约函数，即基于注释逻辑程序的聚合真值，来指导轨迹生成，从而在保护隐私的同时，支持分析人员对异常轨迹的可解释性。通过利用启发式（A*）搜索，该方法能够高效地生成移动轨迹，并在政府独立测试中展示了其准确性和可扩展性。此外，实验结果表明，生成的轨迹能够抵御专门设计的机器学习异常检测模型的检测。

原理

本文提出的方法通过将移动轨迹生成问题框架化为地理环境中的溯因推理问题，利用注释逻辑程序（ALP）来表示和处理地理空间数据。该方法的核心在于设计了一种基于逻辑程序的简约函数，该函数通过聚合逻辑程序中的真值来评估解释的简约性。通过证明任何逻辑程序子集都能提供该简约函数的下界，研究人员能够利用启发式搜索（如A*算法）来高效地生成轨迹。此外，该方法通过从历史数据中学习逻辑规则，进一步增强了轨迹生成的可解释性和现实性。

流程

该方法的工作流程包括数据摄取、逻辑规则学习、启发式计算和轨迹生成。首先，系统从政府系统中获取原始地理空间数据和训练轨迹，构建知识图谱并存储在云端。接着，通过分析训练数据，学习异常行为的逻辑规则。然后，利用这些规则和启发式函数，通过A*搜索算法生成满足所有约束的正常轨迹。整个过程在云环境中部署，并通过政府独立测试进行验证。

应用

该方法在安全领域具有广泛的应用前景，特别是在需要模拟和分析人类移动模式而不侵犯个人隐私的场景中。例如，在自然灾害、战争或大规模工业事故后，该方法可以帮助研究正常人类移动模式的改变，并为应急响应和规划提供支持。此外，该方法的可扩展性和对机器学习异常检测的鲁棒性，使其在未来的智能城市和交通系统中也有潜在的应用价值。